AI untuk Prediksi Harga Bahan Baku: Merencanakan Pembelian 90 Hari ke Depan

Sebuah perusahaan metal stamping di Tennessee menghabiskan $4,2 juta per tahun untuk koil baja. Proses pembelian mereka cukup sederhana: ketika inventaris turun ke titik pemesanan ulang, mereka menghubungi tiga pemasok dan membeli dengan harga terbaik saat itu. Dalam 18 bulan setelah menerapkan sistem prediksi harga berbasis AI, mereka menghemat $186.000, sekitar 4,4% dari pengeluaran baja tahunan mereka, dengan mengatur waktu pembelian untuk menghindari puncak harga dan mengunci kontrak selama periode harga rendah yang diprediksi.

Angka 4,4% itu tidak terdengar dramatis sampai Anda menyadari bahwa penghematan tersebut berasal dari investasi perangkat lunak senilai $35.000 tanpa perubahan apa pun pada pemasok, spesifikasi, atau proses manufaktur mereka.

Apa yang Sebenarnya Dilakukan Prediksi Harga Bahan Baku

AI tidak mencoba memprediksi harga pasti baja koil canai panas pada tanggal 15 Juni. AI menghasilkan distribusi probabilitas atas rentang harga di masa depan: ada peluang 70% harga akan berada di antara $820 dan $890 per ton dalam 60 hari, peluang 15% harga akan di atas $890, dan peluang 15% harga akan di bawah $820. Pendekatan probabilistik ini lebih berguna daripada estimasi titik tunggal karena memungkinkan keputusan pembelian yang disesuaikan dengan risiko.

Model ini menyerap berbagai kategori data. Harga futures komoditas dan kurva forward memberikan ekspektasi pasar saat ini terhadap harga di masa depan. Indikator sisi pasokan mencakup data produksi bahan baku (output bijih besi, tingkat utilisasi kapasitas peleburan aluminium), data logistik (tarif pengiriman, kemacetan pelabuhan), dan tingkat inventaris di pabrik dan pusat layanan. Indikator sisi permintaan mencakup data PMI manufaktur, pengeluaran konstruksi, prakiraan produksi otomotif, dan data backlog pesanan dari industri konsumen utama.

Faktor makroekonomi seperti nilai tukar mata uang, suku bunga, dan perubahan kebijakan perdagangan juga menjadi input model. Pengumuman tarif baja, misalnya, menciptakan lonjakan harga yang dapat diprediksi, yang dapat diantisipasi oleh model yang dilatih berdasarkan dampak tarif historis.

Arsitektur Model dan Akurasi

Sebagian besar sistem produksi menggunakan model ensemble yang menggabungkan beberapa teknik. Gradient-boosted trees (XGBoost, LightGBM) menangani data tabular terstruktur secara efektif. Model time series berbasis LSTM atau transformer menangkap pola temporal dan tren. Beberapa sistem menyertakan komponen pemrosesan bahasa alami yang memantau umpan berita untuk peristiwa yang kemungkinan memengaruhi harga (sengketa perdagangan, bencana alam, penutupan pabrik).

Pada horizon 30 hari, model yang terkalibrasi dengan baik memprediksi arah harga (naik atau turun relatif terhadap harga saat ini) dengan benar 68% hingga 75% dari waktu. Pada 60 hari, akurasi arah turun menjadi 62% hingga 70%. Pada 90 hari, angkanya 58% hingga 65%. Angka-angka ini mungkin tampak sederhana, tetapi secara substansial lebih baik daripada peramalan naif (mengasumsikan harga tetap sama, yang benar sekitar 50% dari waktu untuk perubahan bulanan) dan secara signifikan lebih baik daripada penilaian manusia, yang cenderung bias oleh efek resensi dan anchoring.

Prediksi besaran kurang akurat dibandingkan arah. Model mungkin dengan benar memprediksi bahwa harga baja akan naik dalam 60 hari, tetapi melebihkan atau meremehkan besarannya sebesar 5% hingga 15%. Untuk keputusan pembelian, arah lebih penting daripada besaran yang tepat: mengetahui bahwa harga kemungkinan akan naik membenarkan pembelian sekarang daripada menunggu.

Mengubah Prediksi Menjadi Strategi Pembelian

Output praktis dari sistem ini adalah serangkaian rekomendasi untuk tim pembelian. Ketika model memprediksi harga naik dengan keyakinan tinggi, sistem merekomendasikan untuk mempercepat pembelian dan berpotensi mengunci kontrak forward pada harga saat ini. Ketika memprediksi harga turun, sistem merekomendasikan untuk membeli dalam jumlah minimum dan menunggu harga yang lebih baik.

Sebuah perusahaan manufaktur yang menggunakan pendekatan ini perlu menyeimbangkan prediksi harga dengan biaya penyimpanan. Membeli inventaris koil baja tambahan untuk satu bulan guna mengunci harga yang lebih rendah hanya masuk akal jika kenaikan harga yang diharapkan melebihi biaya penyimpanan (ruang gudang, asuransi, biaya modal dari inventaris yang terikat, dan risiko material menjadi usang jika spesifikasi berubah). Sistem AI memasukkan biaya penyimpanan ini ke dalam rekomendasinya.

Untuk material dengan pasar futures yang likuid (baja, aluminium, tembaga, resin), sistem juga dapat merekomendasikan strategi hedging menggunakan instrumen keuangan. Produsen yang akan membutuhkan 200 ton aluminium dalam 90 hari dapat melakukan hedging terhadap kenaikan harga dengan membeli futures aluminium, dan prediksi harga AI menginformasikan apakah premi hedging layak dibayar.

Keterbatasan dan Penilaian Jujur

Prediksi harga bahan baku memiliki keterbatasan nyata yang harus diakui dalam setiap penilaian yang jujur. Peristiwa black swan (pandemi, perang, perubahan kebijakan perdagangan besar) dapat membatalkan prediksi sepenuhnya. Data pelatihan model tidak mencakup skenario yang belum pernah dilihat sebelumnya, dan pergerakan harga yang paling mahal sering kali didorong oleh peristiwa yang belum pernah terjadi.

Perubahan struktur pasar juga menantang model. Pergeseran dalam penetapan harga baja dari kontrak kuartalan ke penetapan harga berbasis pasar spot selama dekade terakhir berarti bahwa model yang dilatih pada data lama mungkin tidak menangkap dinamika harga saat ini. Pelatihan ulang model secara berkala (bulanan atau kuartalan) sangat penting untuk menjaga akurasi.

Kualitas data dari sinyal input bervariasi. Statistik ekonomi pemerintah dirilis dengan penundaan (data PMI bersifat bulanan, data produksi industri bersifat bulanan dengan revisi). Pada saat data dipublikasikan, pasar sering kali sudah bereaksi terhadap kondisi yang mendasarinya. Proksi real-time (data satelit aktivitas pengiriman, konsumsi listrik di fasilitas industri, web scraping harga dari situs web pemasok) dapat mengisi sebagian celah ini, tetapi menambah kompleksitas dan biaya.

Untuk produsen kecil dan menengah yang menghabiskan kurang dari $500.000 per tahun untuk satu jenis material, penghematan dari prediksi harga berbasis AI mungkin tidak membenarkan biaya implementasi. Titik optimal adalah perusahaan dengan pengeluaran tahunan $2 juta atau lebih untuk komoditas dengan volatilitas harga yang signifikan. Pada skala tersebut, bahkan peningkatan 3% hingga 5% dalam waktu pembelian menghasilkan pengembalian yang jelas melebihi biaya sistem.