Rekrutmen Jalan Terus, tapi Karyawan Tetap Kurang? Ini Peran Peramalan SDM
Tulisan dari Rima Rahmawati tidak mewakili pandangan dari redaksi kumparan
Pernah lihat restoran atau pabrik yang hampir tiap bulan buka lowongan, tapi tetap kekurangan orang? Biasanya kita langsung menyalahkan bagian HR. Padahal akar masalahnya sering lebih mendasar: perusahaan tidak punya gambaran yang jelas tentang berapa orang yang akan dibutuhkan nanti, dan berapa yang akan tersisa.
Peramalan SDM itu Apa, sih?
Peramalan SDM adalah bagian dari proses perencanaan tenaga kerja. Menurut Bizjak Ferjan dan Bernik (2026), proses perencanaan SDM terdiri dari tiga tahap: analisis situasi, prediksi dan peramalan kebutuhan, lalu penyusunan rencana SDM. Intinya, perusahaan memperkirakan lebih dulu berapa orang yang dibutuhkan, baru menyiapkan langkah untuk memenuhinya. Amenaghawon dkk. (2023) menjelaskan tujuannya, yaitu memastikan jumlah orang yang tersedia pas dengan pekerjaan yang harus dikerjakan organisasi.
Soesilo dkk. (2026) menambahkan satu hal penting: perencanaan tenaga kerja tidak cukup hanya menghitung jumlah karyawan yang dibutuhkan. Perpindahan karyawan antar jabatan dan alasan mereka keluar juga harus ikut diperhitungkan.
Contoh dari Dapur Mie Gacoan
Salah satu contoh yang gampang dibayangkan ada di industri kuliner. Dalam kajian Ocuhito dan Riofita (2025) tentang PT Pesta Pora Abadi, pengelola Mie Gacoan, perencanaan SDM dilakukan dengan meramalkan ekspansi cabang. Menurut kajian itu, setiap pembukaan cabang baru biasanya membutuhkan minimal 25 sampai 30 karyawan, sehingga tim HR harus mempersiapkan tenaga kerja jauh sebelum gerai dibuka.
Masalahnya, pasokan dari dalam perusahaan tidak cukup untuk mengikuti ekspansi secepat itu, jadi perusahaan sangat bergantung pada rekrutmen dari luar. Di industri makanan dan minuman, tantangan terbesarnya adalah turnover yang tinggi. (Catatan: kajian ini memakai data sekunder, jadi lebih tepat dibaca sebagai gambaran praktik, bukan hitungan internal perusahaan.)
Kasus Pabrik: Karyawan Bertambah, Tapi Tetap Kurang
Contoh yang lebih berhitung ada di penelitian Soesilo dkk. (2026) pada sebuah perusahaan manufaktur di Indonesia (disebut PT X). Pada 2023 perusahaan ini punya sekitar 1.150 karyawan di divisi produksi yang terbagi dalam lima tingkat jabatan (grade). Jumlah karyawannya naik dari tahun ke tahun, tapi turnover juga tinggi, antara 15% sampai 38% per tahun, terutama di tingkat bawah. Artinya pertumbuhan itu lebih banyak berasal dari rekrutmen berulang untuk menambal yang keluar.
Peneliti memakai data 2020 sampai 2023 untuk menyusun matriks transisi, yaitu tabel peluang karyawan bertahan, naik jabatan, atau keluar. Hasilnya, rata-rata 20% karyawan Grade 1 keluar setiap tahun. Dengan target produksi naik sekitar 6% per tahun, proyeksinya perusahaan akan kekurangan 28 orang pada 2024 dan 77 orang pada 2025, kalau pola perpindahan dan turnover tidak berubah.
Yang menarik, peneliti juga menyimulasikan skenario. Kalau peluang keluar karyawan Grade 1 turun dari 20% menjadi 15%, kekurangan tenaga kerja bisa berkurang sekitar 21 orang di 2024 dan sekitar 32 orang di 2025. Tapi penulisnya menegaskan ini baru simulasi perencanaan, bukan bukti bahwa program tertentu pasti berhasil.
Untuk mencari tahu kenapa karyawan keluar, mereka melibatkan 15 ahli. Hasilnya, faktor dari luar diri perusahaan dinilai paling dominan (bobot 0,845), dengan motivasi individu sebagai penyebab terbesar (bobot global 0,679). Jadi menambah angka rekrutmen saja tidak cukup. Perusahaan juga perlu memikirkan jenjang karier, pelatihan, dan gaji yang kompetitif.
Matriks Transisi: Peta Perpindahan Karyawan
Cara mudah membayangkan matriks transisi: ini seperti peta yang menunjukkan ke mana karyawan di tiap jabatan akan pergi, yaitu tetap di posisi yang sama, naik, atau keluar. Amenaghawon dkk. (2023), dalam telaah mereka tentang model perencanaan tenaga kerja berbasis Markov, menyebut teknik seperti ini dibutuhkan agar jumlah orang yang tersedia pas dengan tugas yang harus dikerjakan organisasi.
Di sisi kebutuhan, Soesilo dkk. (2026) menghitungnya dari target produksi dan rasio produktivitas (output per pekerja), lalu membandingkannya dengan proyeksi tenaga kerja yang tersedia. Selisihnya itulah kekurangan yang harus ditutup.
Era Data dan AI: Ramalan Makin Canggih, Tapi Tetap Ada Syaratnya
Sekarang metode peramalan tidak hanya berupa tabel dan rumus. Menurut Alabi dkk. (2024), analitik prediktif di bidang SDM bisa membantu memperkirakan kebutuhan tenaga kerja, mengoptimalkan alokasi sumber daya, dan mengantisipasi kesenjangan keterampilan. Mereka juga mencatat tantangannya: kualitas data, integrasi sistem, penolakan terhadap perubahan, serta isu etika seperti privasi dan bias. Telaah literatur Bizjak Ferjan dan Bernik (2026) pun menyimpulkan bahwa menggabungkan metode perencanaan SDM dengan AI dan machine learning dapat meningkatkan akurasi proyeksi.
Meski begitu, ramalan tetap punya batas. Soesilo dkk. (2026) sendiri mengakui bahwa model Markov mengasumsikan peluang perpindahan karyawan relatif stabil, dan hasil analisis faktor penyebab turnover bergantung pada penilaian para ahli. Karena itu mereka menguji modelnya dengan membandingkan hasil proyeksi dengan data yang benar-benar terjadi (back-testing). Intinya, ramalan perlu diuji, bukan langsung dipercaya.
Jadi, Apa Pelajarannya?
Pertama, kekurangan karyawan sering bukan soal malas merekrut, tapi soal tidak memperhitungkan siapa yang akan keluar. Kedua, peramalan yang baik melihat dua sisi: berapa yang dibutuhkan dan berapa yang akan tersedia. Ketiga, angka ramalan baru berguna kalau diikuti tindakan, misalnya memperbaiki retensi karyawan, dan diuji ketepatannya dari waktu ke waktu. Peramalan SDM memang tidak bisa menebak masa depan dengan pasti, tapi minimal perusahaan tidak berjalan dengan mata tertutup.