Pernah menyiapkan stok bahan baku untuk 200 porsi, tetapi ternyata hanya 130 porsi yang terjual? Atau justru kehabisan bahan saat pelanggan sedang ramai? Situasi seperti ini menunjukkan pentingnya akurasi sales forecast restoran dalam mengelola bisnis F&B.
Prediksi penjualan memang membantu pemilik restoran merencanakan operasional. Namun, perkiraan tersebut perlu diperiksa secara berkala agar keputusan bisnis nggak hanya bergantung pada asumsi.
Sebagai ilustrasi, sebuah restoran memperkirakan penjualan akhir pekan meningkat karena bertepatan dengan tanggal gajian. Manajemen kemudian menambah persediaan bahan dan menyiapkan kapasitas produksi yang lebih besar.
Sayangnya, jumlah pelanggan yang datang justru lebih sedikit dari perkiraan. Sebaliknya, ketika prediksi terlalu rendah, restoran bisa kewalahan menghadapi pesanan. Bahan baku cepat habis dan waktu tunggu pelanggan bertambah.
Karena itu, membuat prediksi saja belum cukup. Restoran juga perlu membandingkannya dengan penjualan aktual untuk menilai seberapa dekat perkiraan dengan hasil di lapangan.
Apa Itu Prediksi Penjualan Restoran?
Prediksi penjualan restoran atau sales forecast adalah perkiraan jumlah transaksi atau nilai penjualan yang mungkin diperoleh bisnis dalam periode tertentu. Periode tersebut bisa berupa harian, mingguan, bulanan, bahkan berdasarkan jam operasional.
Prediksi ini biasanya dibuat dengan mempertimbangkan data penjualan sebelumnya, pola kunjungan pelanggan, tren permintaan, kalender libur, promosi, dan kondisi operasional.
Sebagai contoh, restoran yang rutin mengalami peningkatan transaksi setiap Jumat malam bisa menggunakan pola tersebut sebagai salah satu dasar perkiraan penjualan berikutnya.
Namun, prediksi bukan angka pasti. Kondisi cuaca, acara di sekitar outlet, perubahan harga, aktivitas kompetitor, hingga gangguan operasional dapat memengaruhi hasil penjualan.
Itulah sebabnya akurasi sales forecast restoran perlu dipahami sebagai kemampuan perkiraan dalam mendekati hasil aktual, bukan jaminan bahwa angka prediksi selalu tepat.
Dalam praktiknya, satuan prediksi perlu sesuai dengan tujuan. Untuk merencanakan kebutuhan bahan, gunakan perkiraan jumlah porsi atau menu terjual. Sementara itu, untuk merencanakan pendapatan, gunakan nilai penjualan dalam rupiah.
Baca juga: Cara Membuat Sales Forecast Restoran untuk Persediaan dan Jadwal Produksi
Mengapa Prediksi Perlu Dibandingkan dengan Penjualan Aktual?
Prediksi yang terlihat masuk akal belum tentu sesuai dengan kondisi bisnis. Tanpa membandingkannya dengan penjualan aktual, manajemen akan kesulitan mengetahui apakah metode perkiraan yang digunakan sudah bekerja dengan baik.
Misalnya, sebuah restoran memprediksi omzet sebesar Rp15 juta pada hari Sabtu. Setelah operasional selesai, laporan POS menunjukkan penjualan aktual mencapai Rp12 juta. Ada selisih Rp3 juta yang perlu diperiksa.
Apakah prediksi terlalu tinggi karena manajemen menggunakan data akhir pekan saat musim liburan? Apakah ada penurunan pengunjung akibat hujan? Atau justru promosi yang direncanakan batal dijalankan?
Pertanyaan tersebut membantu manajemen memahami penyebab perbedaan angka. Jadi, evaluasi bukan sekadar menilai apakah prediksi benar atau salah. Proses ini juga menjadi kesempatan untuk mempelajari perubahan perilaku pelanggan dan kondisi operasional.
Perbandingan secara rutin membuat akurasi sales forecast restoran lebih mudah dievaluasi dari waktu ke waktu. Manajemen dapat mengetahui apakah prediksi cenderung terlalu tinggi, terlalu rendah, atau sudah cukup mendekati hasil aktual.
Informasi tersebut juga berguna untuk mengambil keputusan. Ketika prediksi sering terlalu tinggi, restoran bisa meninjau kembali rencana pembelian bahan. Sebaliknya, jika perkiraan terlalu rendah, manajemen perlu mengevaluasi kebutuhan staf, kapasitas kitchen, dan persediaan.
Bagaimana Cara Mengecek Selisih Prediksi dan Hasil Penjualan?
Sumber: istockphotos
Cara paling sederhana untuk memeriksa ketepatan prediksi adalah membandingkan angka perkiraan dengan laporan penjualan aktual pada periode yang sama. Pastikan data yang dibandingkan memiliki cakupan serupa, misalnya sama-sama omzet harian atau sama-sama jumlah transaksi.
Langkah pertama adalah mengumpulkan data prediksi dan aktual. Ambil angka yang sudah ditetapkan sebelum periode penjualan dimulai, kemudian cocokkan dengan hasil dari sistem POS atau laporan penjualan yang sudah diperiksa.
Berikutnya, hitung selisih dengan rumus Selisih = Penjualan Aktual − Prediksi Penjualan. Jika prediksi omzet Rp10 juta dan aktual Rp12 juta, selisihnya adalah Rp12.000.000 − Rp10.000.000 = Rp2.000.000.
Artinya, penjualan aktual lebih tinggi Rp2 juta dibandingkan perkiraan. Kondisi ini disebut underforecast, yaitu prediksi berada di bawah hasil sebenarnya. Sebaliknya, jika prediksi mencapai Rp12 juta sementara penjualan aktual hanya Rp10 juta, terdapat selisih negatif Rp2 juta.
Kondisi tersebut disebut overforecast karena prediksi lebih tinggi daripada hasil aktual. Untuk mengetahui besarnya kesalahan tanpa memperhatikan arah selisih, gunakan rumus Persentase Kesalahan Absolut = (|Prediksi − Aktual| ÷ Aktual) × 100%, selama nilai aktual lebih dari nol.
Contohnya, jika prediksi omzet Rp10 juta dan aktual Rp12 juta, selisih absolutnya Rp2 juta. Persentase kesalahan absolutnya adalah (Rp2 juta ÷ Rp12 juta) × 100% = 16,67%.
Dari hasil tersebut, manajemen bisa menelusuri penyebab kenaikan penjualan. Mungkin ada pesanan rombongan, promosi yang berhasil, atau peningkatan kunjungan pada jam makan malam.
Namun, evaluasi sebaiknya nggak berhenti pada satu hari. Bandingkan hasil selama beberapa minggu. Jadi, penilaian akurasi sales forecast restoran nggak hanya dipengaruhi kejadian yang kebetulan terjadi pada satu periode.
Kapan Perlu Menggunakan Ukuran Kesalahan seperti MAPE?
Ketika jumlah data semakin banyak, membandingkan selisih satu per satu bisa terasa merepotkan. Restoran yang memiliki banyak cabang juga membutuhkan ukuran evaluasi yang lebih ringkas agar hasil prediksi bisa dibandingkan secara konsisten.
Salah satu ukuran yang dapat digunakan adalah MAPE atau Mean Absolute Percentage Error. Sederhananya, MAPE menunjukkan rata-rata persentase kesalahan prediksi terhadap nilai aktual.
Rumusnya adalah MAPE = Rata-rata [(|Aktual − Prediksi| ÷ Aktual) × 100%]. Hitung kesalahan absolut setiap periode, lalu ambil rata-ratanya. Misalnya, kesalahan selama tiga hari berturut-turut adalah 10%, 15%, dan 5%. MAPE hanya dihitung untuk periode dengan nilai aktual lebih dari nol.
MAPE-nya adalah (10% + 15% + 5%) ÷ 3 = 10%. Artinya, rata-rata kesalahan absolut relatif terhadap penjualan aktual selama tiga hari tersebut adalah 10%. MAPE bisa digunakan untuk membandingkan prediksi antarperiode atau antar-outlet yang memiliki data aktual positif.
Misalnya, cabang A memiliki omzet harian Rp20 juta, sedangkan cabang B Rp5 juta. Persentase kesalahan bisa membantu manajemen melihat performa prediksi tanpa hanya terpaku pada selisih nominal.
Meski begitu, MAPE punya keterbatasan. Perhitungan ini bermasalah ketika nilai aktual nol karena pembagian dengan nol nggak bisa dilakukan. MAPE juga bisa memberikan gambaran yang kurang seimbang ketika penjualan aktualnya kecil.
Untuk kondisi tersebut, restoran bisa mempertimbangkan ukuran lain seperti MAE atau Mean Absolute Error, yang menghitung rata-rata selisih absolut dalam satuan asli, misalnya rupiah atau jumlah porsi.
Jadi, pemilihan ukuran evaluasi perlu disesuaikan dengan karakteristik data. MAPE cocok untuk melihat rata-rata kesalahan dalam bentuk persentase, sedangkan MAE mudah dibaca ketika manajemen ingin mengetahui besarnya selisih nominal.
Baca juga: Mengapa Data Penjualan di Dashboard, Kasir, dan Bank Bisa Berbeda?
Bagaimana Memperbaiki Prediksi yang Sering Meleset?

Sumber: istockphotos
Setelah menemukan selisih, pekerjaan berikutnya adalah memperbaiki proses prediksi. Jangan langsung mengubah angka perkiraan hanya karena hasil penjualan satu hari berbeda.
Cari tahu dulu penyebabnya agar perbaikan yang dilakukan benar-benar relevan. Pertama, periksa kualitas data historis. Pastikan laporan penjualan sudah mencakup seluruh transaksi dan menggunakan periode yang konsisten.
Transaksi yang belum tercatat, pembatalan, atau kesalahan input bisa membuat data dasar prediksi menjadi kurang akurat. Kedua, pisahkan pola penjualan berdasarkan karakteristik hari.
Penjualan Senin pagi belum tentu bisa dibandingkan langsung dengan Sabtu malam. Restoran juga perlu memperhatikan periode khusus, seperti hari libur nasional, Ramadan, liburan, atau acara yang memengaruhi kunjungan pelanggan.
Ketiga, catat faktor yang menyebabkan perubahan penjualan. Misalnya, promosi, menu baru, perubahan jam operasional, cuaca ekstrem, atau gangguan layanan pesan antar.
Catatan ini membantu manajemen membedakan pola rutin dengan kejadian khusus. Keempat, evaluasi prediksi berdasarkan outlet dan kategori menu. Bisa saja omzet total terlihat sesuai perkiraan, tetapi penjualan minuman jauh lebih tinggi sementara makanan utama justru menurun.
Jika hanya melihat total penjualan, perubahan tersebut berpotensi terlewat. Kelima, tetapkan jadwal evaluasi yang konsisten. Manajemen bisa melakukan pemeriksaan harian untuk kebutuhan operasional dan evaluasi mingguan atau bulanan untuk melihat kecenderungan jangka lebih panjang.
Penerapan langkah tersebut membantu meningkatkan akurasi sales forecast restoran secara bertahap. Perbaikan sebaiknya dilakukan berdasarkan temuan data, bukan sekadar menebak angka yang dianggap paling aman.
Selain itu, restoran perlu menentukan siapa yang bertanggung jawab memperbarui data dan meninjau hasil prediksi. Ketika proses evaluasi memiliki penanggung jawab yang jelas, rekomendasi perbaikan lebih mudah ditindaklanjuti.
FAQ Seputar Prediksi Penjualan Restoran
1. Seberapa sering prediksi penjualan perlu dievaluasi?
Frekuensinya bergantung pada kebutuhan operasional. Restoran bisa memeriksa hasil harian untuk kebutuhan stok dan staf, lalu melakukan evaluasi mingguan atau bulanan untuk melihat pola kesalahan.
2. Apakah prediksi penjualan harus selalu tepat?
Nggak. Prediksi merupakan perkiraan berdasarkan data dan asumsi tertentu. Hal yang lebih penting adalah memahami tingkat kesalahannya serta memperbaiki metode ketika ditemukan pola yang berulang.
3. Apa perbedaan overforecast dan underforecast?
Overforecast terjadi ketika prediksi lebih tinggi daripada penjualan aktual. Underforecast terjadi ketika prediksi lebih rendah daripada hasil sebenarnya.
4. Apakah MAPE cocok untuk semua restoran?
MAPE berguna untuk membandingkan kesalahan prediksi dalam bentuk persentase. Namun, ukuran ini kurang sesuai ketika nilai aktual nol atau sangat kecil. Restoran bisa menggunakan MAE sebagai alternatif sesuai kebutuhan analisis.
Kesimpulan
Membuat prediksi penjualan merupakan langkah penting dalam merencanakan operasional restoran.
Namun, perkiraan tersebut perlu dibandingkan dengan hasil aktual agar manajemen mengetahui apakah metode yang digunakan sudah sesuai dengan kondisi bisnis.
Melalui evaluasi selisih, perhitungan persentase kesalahan, penggunaan MAPE, serta pemeriksaan faktor penyebab perubahan penjualan, restoran bisa memperbaiki proses perkiraan secara bertahap.
Untuk mendukung proses tersebut, restoran membutuhkan data penjualan yang rapi dan mudah dianalisis.
OLIN by ESB membantu bisnis F&B memanfaatkan data operasional untuk membuat proyeksi penjualan dan memahami performa bisnis.
Prediksi tersebut tetap perlu dibandingkan dengan hasil aktual secara berkala. Hubungi tim ESB untuk mendiskusikan bagaimana OLIN dapat mendukung analisis penjualan restoranmu.
