Jurnal Akademi Akuntansi Indonesia Padang e-ISSN: 2775-9768 p-ISSN: 2777-0974 Vol.
No.
Oktober 2025 Evolusi Metode Business Forecasting dalam Menghadapi Ketidakpastian Bisnis: Tinjauan Literatur Hanifah Rizky Dwi Febrianti1*.
Ali Tafriji Biswan2.
Lidya Primta Surbakti3
1,2,3
Universitas Pembangunan Nasioal Veteran Jakarta.
Indoensia Coresponding author: 2510124018@upnvj.
Info Artikel Direvisi, 29/11/2025 Diterima, 28/12/2025 Dipublikasi, 10/01/2026 Kata Kunci:
Business Forecasting.
Ketidakpastian Bisnis.
Model Hybrid.
Machine Learning.
Data Berfluktuasi Tinggi Keywords:
Business Forecasting.
Business Uncertainty.
Hybrid Forecasting Models.
Machine Learning Forecasting.
High-Variance Data Abstrak Ketidakpastian lingkungan bisnis dalam lima tahun terakhir mendorong organisasi dan akademisi untuk mengevaluasi berbagai metode peramalan sebagai dasar perencanaan dan pengambilan keputusan.
Kajian ini bertujuan meninjau evolusi metode business forecasting dalam menghadapi kondisi bisnis yang cepat berubah, memiliki variabilitas data tinggi, serta dipengaruhi oleh faktor eksternal yang sulit dikendalikan.
Penelitian menggunakan pendekatan literature review naratif-komparatif terhadap 20 artikel primer dari jurnal internasional terindeks Scopus kuartil Q1AeQ2 dan jurnal nasional terakreditasi Sinta 2Ae5, dalam rentang ublikasi 2020Ae2025.
Hasil kajian menunjukkan bahwa metode peramalan berkembang dari pendekatan statistik linear yang efisien pada data stabil menuju model non-linear berbasis machine learning dan deep learning yang lebih tahan terhadap pergeseran pola data.
Model hybrid menjadi tren riset paling menonjol karena menyeimbangkan kemampuan menangkap pola dasar linear serta memperkuat pembelajaran pada komponen non-linear, sehingga memberikan ketahanan prediksi yang lebih stabil ketika terjadi guncangan eksternal.
Tinjauan ini juga menegaskan adanya gap adopsi dan riset forecasting modern di Indonesia, khususnya pada pengujian model hybrid dan AI forecasting pada dataset organisasi bisnis skala Temuan ini memberikan landasan akademik untuk riset lanjutan pada forecasting adaptif dan kontekstual risiko berbasis data lokal Indonesia.
Abstract Business environments in the last five years have been shaped by accelerating change and external uncertainty, prompting organizations and researchers to re-evaluate forecasting methodologies used to support managerial planning.
This literature review aims to map the evolution of business forecasting methods during 2020Ae2025 by synthesizing empirical evidence from primary international journals indexed in Scopus and national journals accredited within IndonesiaAos research indexing ecosystem SINTA Index.
The findings show that many organizations, especially small-to-medium entities, still rely on linear statistical methods, such as moving averages, exponential smoothing, and ordinary least squares regression, due to their low data requirements and rapid implementation through spreadsheets.
However, these methods often generate higher forecast errors when data characteristics shift over time, fluctuate sharply, or contain structural disruptions.
In contrast, international studies indexed in Scopus Q1AeQ2 journals report increasing adoption of non-linear machine learning models and deep learning temporal predictors, including LSTM and GRU, which demonstrate stronger ability to learn complex patterns and maintain predictive resilience under rapid demand changes.
Hybrid forecasting models emerge as the most prominent research trend, offering a balanced integration between linear statistical baselines and non-linear learning refinements to enhance forecast robustness, stability, and contextual risk adaptation.
The review highlights a substantial implementation and research gap in Indonesia, particularly in large-scale business settings, signaling future opportunities for real-time adaptive and AIAestatistical hybrid DOI: https://doi.
org/10.
31933/r934jn34 This work is licensed under a Creative Commons Attribution 4.
0 International License Page 322 Vol.
No.
Oktober 2025 e-ISSN: 2775-9768 | p-ISSN: 2777-0974 evaluations using local enterprise datasets.
PENDAHULUAN
Dalam lima tahun terakhir, dunia bisnis bergerak lebih cepat dengan tingkat ketidakpastian yang kian meningkat.
Pola transaksi yang meningkat secara digital memberikan volume data yang besar namun tidak stabil, tidak rapi, serta mengalami pergeseran pola.
Kondisi pasar seperti ini membuat organisasi membutuhkan pendekatan forecasting yang lebih adaptif dibandingkan dengan pendekatan tahunan yang kaku.
Secara teoritis, perkembangan forecasting dalam 5 tahun terahir terhitung dari tahun 2020 sampai 2025 memperlihatkan bahwa adanya pergeseran secara bertahap dari model statistik linear ke model non-linear berbasis kecerdasan buatan, serta model hybrid sebagai jalan tengah yang paling banyak dikaji dalam literatur internasional bereputasi tinggi seperti International Journal of Forecasting dan literatur bisnis strategis pada Journal of Business Research.
Dalam teori forecasting menjelaskan bahwa prediksi bertujuan untuk memproyeksikan masa depan untuk membantu perencanaan penjualan, produksi, alokasi biaya, dan sumber daya berbasis pola historis.
Model statistik menjadi baseline utama karena efisien dan mudah diinterpretasi, tetapi keterbatasannya terlihat ketika data mengalami perubahan mendadak .
tructural break.
atau pola yang semakin non-linear.
Berdadarkan penelitian yang dilakukan oleh Armstrong .
menyatakan bahwa keunggulan statistik forecasting berada pada data stabil dan dataset kecil, namun performanya menurun ketika ketidakpastian meningkat.
Model forecasting perlu diperhatikan karena kesalahan prediksi dapat memicu pemborosan anggaran dan target yang Contohnya, saat pandemi 2020, proyeksi permintaan ritel berbasis data 2018Ae2019 gagal membaca penurunan pasar akibat pembatasan mobilitas, lalu kembali tidak mampu menangkap rebound permintaan 2021 yang melonjak tetapi tidak stabil, sebagaimana disoroti jurnal forecasting terindeks Scopus Q1AeQ2 pada rentang 2020Ae2025.
Kondisi ini menegaskan pentingnya penataan ulang model forecasting yang lebih adaptif, terutama di ekosistem bisnis berkembang seperti Indonesia yang masih memiliki gap adopsi metode hybrid dan AI.
Kemudian, muncul teori machine learning forecasting dan deep learning forecasting, di mana algoritma pembelajaran berbasis data .
isalnya neural networks, ensemble learning, dan model temporal seperti LSTM/GRU) mampu memetakan interaksi multipel variabel dan pola non-linear pada data bisnis.
Berdasarkan penelitian yang dilakukan oleh Baryannis et al.
menjelaskan bahwa model ML/DL unggul dalam mempelajari pola data volatile, tetapi memerlukan kesiapan pipeline data dan kompetensi teknis.
Pada arus yang sama, model hybrid (ARIMA ML/DL refinement.
berkembang untuk menyeimbangkan pola linear dan nonlinear sekaligus memberikan resilience yang lebih stabil dalam situasi tidak pasti.
Menurut Chen et al .
penerapan machine learning dalam forecasting juga mulai digunakan untuk mendukung keputusan strategis yang memerlukan pembacaan pola lebih kompleks Dalam rentang 2020Ae2022, banyak organisasi global mengalami kegagalan forecast akibat pandemi dan guncangan rantai pasok, yang menunjukkan urgensi penataan ulang model forecasting.
Pada sektor ritel, model berbasis rata-rata tahunan pra-pandemi 2018Ae2019 tidak mampu membaca kontraksi permintaan saat Pandemi COVIDAc19 dimulai, lalu kembali gagal menangkap rebound 2021 yang melonjak namun tidak stabil temuan ini sejalan dengan penelitian yang dilakukan oleh Brown .
yang menjelaskan bahwa model statistik linear cenderung mengalami deviasi prediksi yang signifikan ketika pola permintaan berubah secara mendadak atau dalam kondisi yang tidak pasti.
Sebagaimana banyak dikaji di jurnal forecasting terindeks Scopus Q1 seperti International Journal of Forecasting yang menyoroti error besar ketika pola historis tidak lagi linier.
Tekanan serupa terjadi pada forecasting operasional rantai pasok, ketika perubahan lead time kontainer dan rute logistik laut bergeser mendadak, menyebabkan model peramalan standalone berbasis statistik dasar menghasilkan penyimpangan perencanaan produksi dan persediaan, seperti diulas dalam jurnal Scopus Q2 Page 323 Vol.
No.
Oktober 2025 e-ISSN: 2775-9768 | p-ISSN: 2777-0974 Journal of Forecasting, yang menegaskan pentingnya model forecasting yang lebih responsif dan toleran terhadap structural break.
Paragraf ini mendukung klaim bahwa forecasting bukan hanya soal akurasi, tetapi juga kesesuaian konteks dan ketahanan model dalam kondisi Berdasarkan landasan teori dan gap fenomena tersebut, penelitian ini bertujuan melakukan pemetaan evolusi forecasting selama kurun waktu 2020 sampai 2025, menilai ketahanan metode forecasting di bawah ketidakpastian, dan mengidentifikasi peluang riset lanjutan khususnya pada adopsi model hybrid dan metode peramalan modern di perusahaan pada negara berkembang.
Kajian ini dilakukan untuk memahami bagaimana metode forecasting bisnis berkembang sebagai respons terhadap ketidakpastian pasar dan gangguan operasional, khususnya pada rentang 2020Ae2025.
Konteks kajian diarahkan pada dua level:
diskursus riset global yang menekankan model non-linear dan hybrid forecasting, serta realitas adopsi forecasting di Indonesia yang masih dominan berbasis statistik dasar.
Kajian ini menegaskan urgensi peramalan bergulir yang adaptif terhadap shock, sekaligus mengidentifikasi gap riset lokal Indonesia pada evaluasi model hybrid dan AI-enabled forecasting, yang membuka peluang studi lanjutan di konteks negara berkembang.
Berdasarkan penelitian yang dilakukan oleh Bhimani .
menjelaskan bahwa forecasting juga sebagai alat untuk pengambilan keputusan strategis terutama ketika sistem perencanaan manajerial menuntur siklus prediksi yang lebih responsif terhadap perubahan lingkungan bisnis.
METODE
Penelitian ini menggunakan literature review naratif-sistematis dengan pendekatan komparatif-kontekstual terhadap artikel forecasting selama peridoe 2020 sampai 2025 yang sduah terindeks pada jurnal internasional bereputasi (Q1AeQ4 Scopu.
serta jurnal nasional terakreditasi (Sinta 2AeSinta .
Metodologi kajian ini disusun dengan mengacu pada dua landasan utama yang banyak digunakan dalam riset forecasting dan tinjauan literatur Penilaian prinsip pemilihan dan evaluasi model forecasting merujuk pada kerangka metodologis dari Armstrong .
yang menekankan logika seleksi literatur, konteks ketidakpastian, serta validitas model sebagai alat pendukung perencanaan manajerial.
Sementara itu, klasifikasi pendekatan forecasting berbasis runtut waktu dan otomasi model teknis diperkuat oleh panduan yang dipopulerkan oleh Hyndman & Khandakar .
yang banyak diadopsi dalam studi forecasting bisnis, terutama model statistik seperti regresi linear, exponential smoothing, dan ARIMA sebagai pembelajaran pola historis awal.
Kedua acuan ini digunakan secara komplementer untuk membangun proses kajian yang sistematis, transparan, dan relevan dengan konteks forecasting klasik dalam situasi ketidakpastian, dengan tetap mempertahankan pendekatan yang hemat data sebagaimana banyak digunakan di industri berkembang dan penelitian lima tahun terakhir.
ini dilakukan melalui tahapan yang transparan dan dapat direplikasi sebagai berikut:
Penentuan Ruang Lingkup dan Tata Kunci Panduan Ruang lingkup dalam kajian ini mengutamakan peramalan bisnis .
ales/demand/managerial forecas.
yang dibahas pada situasi ketidakpastian eksternal .
arket volatility, demand fluctuation, economic turbulence, dan supply chain friction.
Kata kunci utama yang digunakan mencakup: business forecasting methods, forecasting under uncertainty, sales/demand forecasting volatility, machine learning forecasting, serta deep learning forecasting, dan hybrid forecasting cycles.
Sumber data ilmiah dan Kriteria Indeksasi Dalam penelitian ini, membagi antara 2 literatur, yakni:
Artikel Internasional: bersumber dari artikel yang sudah terindeks Scopus minimal Q2 dan diutamakan Q1, seperti Omega The International Journal of Management Science.
Decision Support Systems, dan jurnal forecasting mapan lainnya.
Page 324 Vol.
No.
Oktober 2025 e-ISSN: 2775-9768 | p-ISSN: 2777-0974 Artikel Nasional: selain dari sumber internasional, penelitian ini juga bersumber dari jurnal yang terdaftar di portal Sinta dengan level akreditasi Sinta 2-5, terutama jurnal akuntansi, manajemen, dan sistem informasi yang memuat konteks forecasting operasional seperti inklusi MA/Regresi/DSS.
Proses Seleksi dan Penyaringan Literatur Primer Dalam tahap seleksi literatur ini dilakukan untuk memastikan bahwa artikel yang digunakan benar-benar selaras dengan tujuan kajian, yaitu meninjau evolusi metode forecasting bisnis dalam kondisi ketidakpastian.
Proses ini dimulai dengan pencarian artikel melalui basis data ilmiah bereputasi, kemudian dilanjutkan dengan screening awal berdasarkan judul dan abstrak.
Pada tahap awal ini, artikel yang tidak berkaitan dengan forecasting bisnis, atau tidak menyinggung konteks ketidakpastian pasar, dikeluarkan dari daftar calon referensi.
Artikel yang tersisa kemudian dibaca lebih mendalam, khususnya pada bagian metodologi dan pembahasan hasil.
Pada tahap ini, penulis menilai apakah artikel sudah menjelaskan metode forecasting secara jelas, lalu apakah memiliki konteks aplikasi pada situasi data yang tidak stabil, serta apakah sudah menampilkan perbandingan atau pengembangan antar metode forecasting.
Selain itu, artikel dipertimbangkan jika menyoroti fenomena perubahan pola data secara mendadak .
hifting pattern.
atau perubahan struktur data operasional, hal tersebut sejalan dengan penelitian yang dilakukan oleh Kohli dan Sahay .
bahwa enterprise-scale data sets sering mengalami pergeseran pola yang tiba-tiba sehingga meningkatkan error pada model peramalan tradisional.
Artikel yang menggunakan pendekatan statistik dasar tetap disertakan sebagai referensi pembanding untuk menggambarkan karakter metode awal forecasting, selama pembahasannya relevan dan tidak hanya bertumpu pada asumsi data stabil tahunan.
Untuk literatur internasional, hanya artikel yang berasal dari jurnal terindeks Scopus yang digunakan, dan diutamakan jurnal berkualitas kuartil Q1 atau Q2.
Sementara itu, untuk literatur nasional, artikel diseleksi dari jurnal yang terindeks dan terakreditasi pada portal SINTA.
Penilaian kualitas sumber ini penting agar kajian mencerminkan perkembangan forecasting terbaru di tingkat global dan nasional.
Selain indeksasi, artikel juga dipilih jika menggunakan pendekatan forecasting yang relevan dengan kondisi ketidakpastian seperti perubahan permintaan yang cepat, pola temporal yang tidak konsisten, atau integrasi variabel eksternal.
Pengelompokan Forecasting Pengelompokan forecasting dalam kajian ini dilakukan melalui pemetaan literatur secara sistematis untuk melihat arah perkembangan pendekatan peramalan, bukan hanya untuk mendokumentasikan teknik yang digunakan.
Model statistik linear klasik seperti Moving Average, regresi OLS.
ARIMA, dan Exponential Smoothing diposisikan sebagai baseline approach karena hemat histori data, ringan secara komputasi, dan interpretasinya mudah dicerna oleh manajer, hal ini sejalan dengan penelitian yang dilakukan oleh (Armstrong 2.
Seiring meningkatnya kompleksitas data, riset global kemudian menunjukkan bahwa Machine Learning dan Deep Learning berkembang sebagai refinement untuk membaca pola non-linear serta dinamika runtut waktu pada data yang non-stasioner, landasan pemodelan dan pemetaan evolusi forecasting berbasis data temporal banyak dijelaskan dalam kerangka time-series, hal tersebut sejalan dengan penelitian yang dilakukan oleh Hyndman .
Temuan tersebut turut diperkuat oleh penelitian Lehmann dan Maier .
yang menunjukkan bahwa model deep learning temporal, seperti RNN dan variannya, mampu menangkap pola runtut waktu yang tidak stabil secara lebih adaptif dibandingkan pendekatan statistik linear tradisional.
Studi yang mengombinasikan statistik baseline dengan pembelajaran pola non-linear dikategorikan sebagai pendekatan hybrid, karena dinilai paling stabil dan kontekstual dalam merespons ketidakpastian intraperiode, sekaligus menjadi kompromi praktis bagi organisasi yang membutuhkan model yang Page 325 Vol.
No.
Oktober 2025 e-ISSN: 2775-9768 | p-ISSN: 2777-0974 tangguh namun tetap efisien secara eksekusi.
Selain dua kategori tersebut, artikel yang memuat penggabungan statistik baseline dan pembelajaran pola non-linear ditempatkan dalam kategori hybrid and ensemble forecasting adoption, karena pendekatan hybrid menunjukkan cara organisasi mencari keseimbangan antara stabilitas model linear dan fleksibilitas model pembelajaran data, sehingga cocok untuk mengkaji evolusi forecasting di bawah ketidakpastian lingkungan bisnis.
Analisis Kontribusi Temuan Setiap Kelompok Setiap artikel yang sudah dikategorikan kemudian dianalisis secara mendalam untuk memahami kontribusi keilmuan dan konteks manajerialnya.
Pada tahap ini, penulis menelaah bagaimana setiap forecasting diuji dan dibahas pada situasi ketidakpastian, termasuk pada kondisi data operasional yang berfluktuasi tinggi, statistiknya tidak konsisten seiring waktu, atau dipengaruhi oleh variabel eksternal yang berubah cepat.
Penulis membandingkan bagaimana model statistik linear menangkap struktur dasar tren dan seasonal demand, lalu melihat bagaimana machine learning dan model temporal berbasis jaringan saraf memperkuat kemampuan prediksi ketika pola data tidak lagi stasioner.
Analisis juga mencakup penelaahan kebutuhan implementasi setiap model, seperti apakah artikel menyinggung kebutuhan volume data besar, keterampilan tuning model, atau kesiapan pipeline data organisasi.
Analisis ini tetap berdasarkan pada prinsip evaluasi peramalan seperti penelitian yang dilakukan oleh Armstrong .
yang menjelaskan bahwa dalam menilai kesesuaian model terhadap karakter data, efisiensi kebutuhan histori observasi, dan kualitas interpretasi manajerial dalam siklus peramalan intraperiode, perspektif tersebut masih relevan dan banyak diadaptasi dalam publikasi terkini.
Pemetaan evolusi forecasting runtut waktu, termasuk kombinasi model statistik dan penguatan pembelajaran pola temporal non-linear, hal tersebut sejakan denga penelitian yang dilakukan oleh Hyndman .
Dengan mengintegrasikan kedua landasan tersebut, analisis mampu memastikan ketajaman sintesis, alur kajian yang sistematis, serta kebermanfaatan bagi perencanaan manajerial di organisasi berkembang dalam kondisi bisnis yang dinamis dan mengandung gangguan eksternal.
Dari literatur internasional, penulis mencatat bahwa model hybrid dan ensemble forecasting yang dipublikasikan pada jurnal-jurnal terindeks Scopus mayoritas berada pada kuartil Q1AeQ2, dan menegaskan performa yang lebih konsisten dalam menghadapi perubahan pola mendadak dibanding model statistik standalone.
Sementara dari literatur nasional terindeks SINTA, penulis menemukan bahwa forecasting masih dominan berbasis statistik dasar dan DSS sederhana, menandakan bahwa evolusi forecasting di Indonesia baru mulai menyentuh diskursus nonlinear modeling, tetapi belum setara dengan perkembangan riset global.
Melalui komparasi ini, penulis mengidentifikasi bahwa kontribusi keilmuan forecasting dalam lima tahun terakhir bukan hanya terjadi pada peningkatan model, tetapi juga pada dorongan otomasi siklus peramalan menjadi real-time adaptive, pengayaan indikator eksternal untuk membaca uncertainty, dan penggunaan baseline statistik yang diperkuat oleh pembelajaran pola nonlinear.
Hasil analisis ini menjadi dasar bagi penarikan sintesis kajian, pemetaan keunggulan dan keterbatasan, serta identifikasi gap riset forecasting di Indonesia untuk arahan riset future forecasting.
Page 326 Vol.
No.
Oktober 2025 e-ISSN: 2775-9768 | p-ISSN: 2777-0974 Bagan 1.
Tahapan Literatur Review
HASIL DAN PEMBAHASAN
Hasil Dalam proses penelusuran literatur, sebanyak 20 artikel primer berhasil dikurasi dari rentang tahun 2020Ae2025, terdiri dari 10 jurnal internasional terindeks Scopus .
rioritas Q1Ae Q.
dan 10 jurnal nasional terindeks SINTA (Sinta 2Ae.
Karakter literatur yang terpilih didominasi oleh studi forecasting penjualan dan permintaan, baik di sektor ritel, manufaktur, logistik, maupun perencanaan bisnis manajerial.
Secara umum, literatur internasional menampilkan temuan bahwa forecasting berbasis model statistik linear masih menjadi pendekatan awal yang paling luas digunakan, terutama dalam situasi data univariat atau data dengan hubungan variabel yang cenderung linier, seperti Moving Average, regresi linear (OLS).
ARIMA, dan Exponential Smoothing muncul sebagai teknik yang paling sering dibahas pada banyak penelitian sebagai model baseline karena cepat diterapkan dan hemat data.
Selain itu, hasil kajian juga memperlihatkan bahwa mayoritas riset forecasting selama lima tahun terakhir menyoroti kondisi data bisnis yang sering mengalami pergeseran pola permintaan secara mendadak, terutama saat terjadi guncangan eksternal seperti pandemi 2020, tekanan inflasi 2022, dan gangguan operasional rantai pasok.
Literatur internasional dan nasional samasama menandai bahwa organisasi yang masih memakai asumsi proyeksi rata-rata tahunan sering mengalami keterlambatan dalam mendeteksi perubahan arah tren, yang berpotensi meningkatkan error prediksi jangka pendek.
Temuan ini diperkuat oleh penelitian Marbun dan Nainggolan .
, yang menunjukkan bahwa pada sektor IKM, fluktuasi permintaan menyebabkan metode statistik dasar sering menghasilkan deviasi dalam perencanaan persediaan ketika pola historis tidak lagi stabil.
Pada konteks pasar yang berubah cepat, penelitian yang dilakukan oleh Green .
turut menegaskan bahwa baseline forecasting berbasis model linear cenderung mengalami lag ketika variabilitas permintaan meningkat.
Page 327 Vol.
No.
Oktober 2025 e-ISSN: 2775-9768 | p-ISSN: 2777-0974 sehingga organisasi perlu menggunakan pendekatan yang lebih adaptif terhadap perubahan Di Indonesia sendiri, literatur Sinta menunjukkan bahwa pendekatan forecasting spreadsheet-based planning seperti penggunaan Microsoft Excel banyak dipertahankan oleh UMKM dan industri berskala berkembang karena biaya implementasi minimal dan keterampilan teknis yang tidak kompleks.
Hal tersebut sejalan dengan penelitian yang dilakukan oleh Halim dan Kusuma .
bahwa UMKM mempertahankan metode statistik sederhana karena kesesuaiannya dengan kesiapan operasional, kapabilitas teknis, serta efisiensi proses pengambilan keputusan jangka pendek Keseluruhan hasil ini menandakan bahwa forecasting bisnis modern berkembang karena kebutuhan untuk membaca data yang tidak lagi dapat diasumsikan stabil dari tahun ke tahun, sehingga diperlukan kajian pemetaan yang lebih relevan secara kontekstual.
Pembahasan Temuan pada bagian hasil menegaskan bahwa forecasting dalam lingkungan bisnis yang tidak pasti perlu ditinjau dari dua sisi utama, yaitu ketepatan dan kesiapan implementasi di organisasi pengguna.
Model statistik linear tetap menjadi fondasi utama proses forecasting klasik, karena pendekatan ini memiliki kelebihan dalam menyajikan proyeksi yang cepat, mudah diinterpretasikan oleh manajer non-teknis, dan ramah terhadap dataset berskala kecil (Jannah & Prayitno, 2.
Dalam konteks bisnis berkembang seperti Indonesia, adoption gap terhadap forecasting modern bukan menandakan statistik itu usang, melainkan karena ini paling sesuai dengan realitas operasional organisasi yang masih menghadapi keterbatasan infrastruktur data dan kapabilitas eksekusi peramalan jangka pendek, namun pada penelitia Kim dan Lee .
menunjukkan bahwa kombinasi pendekatan statistik dan machine learning mampu meningkatkan stabilitas prediksi pada data permintaan yang sangat fluktuatif, sehingga relevan bagi organisasi yang sedang berada pada tahap transisi adopsi teknologi Kasus forecast failure di banyak literatur internasional Q1 dan Q2 pada 2020Ae2022, misalnya miss-projection ritel saat pandemi dan deviasi perencanaan produksi karena lead time logistik yang bergeser, kondisi ini sejalan dengan penelitian yang dilakukan oleh Ganeshan .
yang menegaskan bahwa turbulensi rantai pasok sering menyebabkan model peramalan tradisional gagal membaca perubahan ritme suplai dan permintaan.
, memperlihatkan bahwa organisasi global pun membutuhkan penataan ulang alur forecasting, karena data historis bukan lagi indikator tunggal yang reliable ketika terjadi perubahan pola mendadak, temuan ini sejalaan dengan penelitian yang dilakukan oleh Dani .
bahwa model hybrid memiliki ketahanan prediksi yang lebih baik ketika pola permintaan mengalami perubahan tiba-tiba atau berada dalam kondisi high volatility, selain itu juga diperkuat dengan penelitian yang dilakukan oleh Makridakis dan Petropoulos .
yang menunjukkan bahwa model hybrid memberikan performa prediksi yang lebih stabil dan tahan guncangan dibandingkan model statistik maupun machine learning tunggal, terutama pada data yang mengalami perubahan pola secara tiba-tiba.
Perkembangan riset forecasting dalam publikasi internasional menunjukkan dorongan untuk tetap memakai model statistik baseline, namun disarankan mengubah siklusnya dari proyeksi tahunan statis menjadi proyeksi bergulir yang lebih sensitif terhadap perubahan intraperiode agar error dapat dikontrol dalam pengambilan keputusan anggaran dan perencanaan produksi.
Sementara itu, riset nasional SINTA turut menegaskan kondisi serupa pada sektor kecil dan menengah, di mana error forecasting meningkat tajam saat permintaan digital berubah cepat, temuan ini sejalan dengan penelitian yang dilakukan oleh Kurnia &Wijaya .
yang menjelaskan bahwa ola permintaan pada platform penjualan modern sering berubah secara intraperiode, sehingga metode statistik dasar mengalami deviasi signifikan ketika menghadapi data yang sangat dinamis.
Namun, adopsi model baru masih terbatas pada pembahasan metodologi tanpa pipeline data enterprise, temuan sejalan dengan penelitian Ismail .
yang menunjukkan bahwa pola permintaan ritel domestik semakin tidak stabil, sehingga model Page 328 Vol.
No.
Oktober 2025 e-ISSN: 2775-9768 | p-ISSN: 2777-0974 peramalan sederhana sering menghasilkan deviasi yang signifikan.
Maka, kontribusi kajian ini menjadi relevan secara strategis karena memperlihatkan bahwa isu utamanya bukan hanya memilih model terbaik, tetapi menata alur forecasting agar terstruktur, transparan, hemat data, dan bisa dijalankan ulang oleh organisasi lainnya, terutama pada konteks industri negara Ini penting dalam mata kuliah Akuntansi Manajemen Strategis karena forecasting digunakan sebagai dasar penyusunan anggaran, perencanaan biaya, penetapan target yang lebih realistis, dan pengambilan keputusan operasional berbasis data historis yang relevan, namun tidak diasumsikan konstan.
Dengan demikian, kajian ini memberikan interpretasi bahwa forecasting klasik tetap relevan sebagai awal, selama disertai penataan metodologis, seleksi konteks ketidakpastian, dan transformasi siklusnya menjadi lebih fleksibel untuk merespons perubahan eksternal, sehingga organisasi dapat meminimalkan deviasi keputusan anggaran jangka pendek.
Hal tersebut juga sejalan dengan penelitian yang dilakukan oleh Zhang et al.
yang menjelaskan bahwa model hybrid cenderung lebih tangguh dibandingkan model machine learning murni ketika pola data berubah secara tidak teratur.
Tabel dan Gambar Tabel dalam kajian literature review ini disajikan untuk memberikan gambaran ringkas mengenai perbandingan dan karakteristik setiap generasi forecasting yang berkembang dalam menghadapi kondisi bisnis yang bergejolak secara temporal.
Penyusunan tabel dilakukan berdasarkan sintesis literatur dari jurnal internasional terindeks pada basis data ilmiah Scopus dan jurnal nasional terakreditasi pada indeks penelitian Indonesia, yaitu SINTA.
Tabel berikut bertujuan untuk membantu pembaca memahami perbedaan keunggulan antar pendekatan model, baik yang berbasis statistik linear, pembelajaran data non-linear melalui machine learning, maupun pendekatan gabungan yang dikenal sebagai hybrid forecasting adoption seperti yang banyak dikaji dalam jurnal Decision Support Systems dan literatur forecasting pada sektor operasional.
Selain itu, tabel ini juga menampilkan keterbatasan utama seperti kesiapan volume data dan infrastruktur eksekusi, yang sering muncul dalam diskursus publikasi bereputasi tinggi seperti penelitian pada jurnal Omega: International Journal of Management Science.
Pilar Statistik Linear Machine Learning Deep Learning Hybrid / Otomasi Tabel 1.
Sintesis Evolusi Forecasting 2020 Ae 2025 Keterbatasan Teknik Umum Keunggulan Utama cepat, hemat data, kurang resilient saat MA.
ES.
OLS.
ARIMA interpretasi mudah tren berubah cepat menangkap nonbutuh data besar dan RF.
GBM.
SVR
linear, volatile data skill tuning mempelajari pola komputasi berat & LSTM.
GRU.
RNN
temporal kompleks tuning intensif
ARIMA ANN,
AutoML, paling resilient, desain model lebih Ensemble exogenous stabil pada shock Indeks Pembahasan Banyak dibahas, terutama di Sinta Scopus Q1 Scopus Q1AeQ2 Q1 Scopus dominant trend Tabel 1 menegaskan bahwa perkembangan business forecasting selama lima tahun terakhir tidak hanya terjadi pada level teknik, tetapi juga pada cara organisasi mempercepat dan menyesuaikan siklus peramalannya di tengah ketidakpastian intraperiode.
Literatur internasional yang terindeks pada Scopus menunjukkan bahwa model statistik linear klasikAi seperti Moving Average, regresi OLS.
ARIMA, dan Exponential Smoothing masih menjadi landasan atau baseline utama karena hanya membutuhkan dataset kecil, dapat dijalankan dengan perhitungan sederhana, cepat diimplementasikan, serta mudah diinterpretasikan oleh Page 329 Vol.
No.
Oktober 2025 e-ISSN: 2775-9768 | p-ISSN: 2777-0974 pengambil keputusan manajerial.
Meski unggul pada data stabil, pendekatan ini sering mengalami deviasi besar saat terjadi guncangan intratahun, seperti pada periode pembatasan mobilitas 2020 dan tekanan operasional rantai pasok 2022Ae2023, yang banyak dibahas pada jurnal komparatif forecasting bereputasi, termasuk Microsoft Excel sebagai medium implementasi yang dominan di sektor bisnis berkembang.
Literatur nasional terindeks SINTA, terutama pada jurnal yang berada di cluster perencanaan operasional IKM dan ritel digital, turut menyoroti bahwa adoption gap forecasting di Indonesia bukan karena statistik klasik tidak relevan, tetapi karena sebagian besar organisasi belum memiliki pipeline data enterprise.
Insight utama ini menunjukkan bahwa tantangan forecasting di negara berkembang lebih menitikberatkan pada penataan proses peramalan yang kontekstual, bergulir, dan transparan, sembari mempertahankan statistik linear baseline yang efisien untuk perencanaan anggaran, biaya produksi, dan sinkronisasi persediaan intraperiode.
KESIMPULAN
Kajian ini menegaskan bahwa forecasting bisnis dalam lima tahun terakhir berkembang sebagai respons terhadap lingkungan usaha yang semakin fluktuatif, di mana asumsi data tahunan yang stabil sering tidak mampu menangkap perubahan pola permintaan intraperiode secara cepat.
Meski demikian, model statistik linear klasik seperti Moving Average, regresi OLS.
ARIMA, dan Exponential Smoothing masih menjadi baseline utama dalam praktik peramalan di organisasi skala UMKM dan industri berkembang, karena membutuhkan histori data relatif pendek, komputasi ringan, dan memiliki keterbacaan manajerial yang tinggi saat diimplementasikan melalui spreadsheet seperti Microsoft Excel.
Temuan ini menekankan bahwa kemampuan model dalam merespons intraperiod uncertainty sama pentingnya dengan pemilihan tekniknya.
Oleh karena itu, rekomendasi dari hasil kajian ini adalah bahwa organisasi di lingkungan bisnis yang dinamis perlu mengubah orientasi dari forecasting tahunan yang kaku ke pendekatan siklus peramalan bergulir yang lebih fleksibel dan Praktik penggabungan model baseline statistik dengan exogenous refinement cycles .
ybrid adoption yang data-hema.
juga dinilai lebih stabil dalam menghadapi guncangan arah permintaan, sebagaimana banyak dibahas pada literatur global dan diskursus nasional bereputasi pada portal indeks jurnal ilmiah Indonesia, termasuk SINTA.
Secara manajerial, improvement cycle forecasting perlu diarahkan untuk membantu perencanaan anggaran, penetapan target yang realistis, kesiapan pasok, dan sinkronisasi persediaan di level intraperiode.
Riset ritel dan peramalan permintaan pada sektor menengah menemukan bahwa ketahanan proses forecasting meningkat ketika proyeksi lebih sering diperbarui sejalan dengan perubahan pola pasar, dibanding hanya mengandalkan model statistik stand alone yang diasumsikan konstan tahunan.
Hal tersebut sejalan dengan penelitian yang dilalukan oleh Fildes dan Goodwin .
, menjelaskan bahwa pasar yang terganggu .
isruptive market.
membutuhkan model forecasting yang mampu mempertahankan ketahanan prediksi .
orecast resilienc.
ketika pola permintaan berubah secara drastis dan tidak lagi mengikuti struktur historis yang stabil.
Meskipun hybrid adoption dinilai strategis, penelitian ini memiliki keterbatasan pada dua aspek utama.
Pertama, kajian ini bersifat literatur konseptual sehingga tidak melakukan pengujian empiris langsung pada dataset tertentu.
Kedua, sebagian besar penelitian Indonesia yang terindeks dalam SINTA masih membahas forecasting di level metodologi dasar berbasis spreadsheet, sehingga temuan terkait adopsi proses peramalan intraperiode yang lebih lincah masih terbatas pada rekomendasi konseptual di banyak studi, bukan pada skala implementasi Keterbatasan ini membuka peluang riset lanjutan terkait pengujian empiris forecasting pada data intraperiode dan studi implementasi proses hybrid forecasting di sektor Page 330 Vol.
No.
Oktober 2025
e-ISSN: 2775-9768 | p-ISSN: 2777-0974
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada dosen pengampu mata kuliah Akuntansi Manajemen yakni Bapak Dr Ali Tafriji Biswan.
SE.
Ak.
CA.
CGAA serta Ibu Lidya Primta Subakti.
SE.
Ak.
Si.
CA.
Ph.
D atas arahan akademik, serta kepada Scopus dan portal SINTA atas ketersediaan literatur ilmiah yang mendukung proses kajian ini.
DAFTAR PUSTAKA