UMMUMM

Jurnal Teknik IndustriJurnal Teknik Industri

Kenaikan kompetisi di industri barang konsumsi cepat (FMCG) menyebabkan fluktuasi permintaan yang secara negatif memengaruhi akurasi prediksi permintaan dan menentukan ukuran lot optimal dalam perencanaan persediaan bahan. Banyak perusahaan kesulitan mengadopsi model prediksi yang sesuai, menghasilkan akurasi yang buruk dan biaya bahan yang lebih tinggi. Penelitian ini bertujuan mengembangkan model terintegrasi untuk prediksi dan perencanaan persediaan menggunakan simulasi. Metode jaringan saraf tiruan (ANN) diajukan untuk meningkatkan akurasi prediksi, dengan kinerja dievaluasi melalui mean percentage error (MAPE), mean absolute deviation (MAD), dan mean squared error (MSE). Hasil prediksi kemudian diterapkan untuk mengoptimalkan persediaan bahan menggunakan model economic order quantity (EOQ), mempertimbangkan keterbatasan kapasitas gudang. Model EOQ diterapkan untuk menyesuaikan ukuran lot di bawah permintaan yang berubah-ubah. Temuan menunjukkan pentingnya mengintegrasikan prediksi dengan perencanaan persediaan untuk memberikan prediksi permintaan yang akurat dan ukuran lot optimal, akhirnya meminimalkan biaya bahan di industri FMCG. Penelitian ini berkontribusi pada pengambilan keputusan yang lebih baik dalam manajemen rantai pasok dengan meningkatkan akurasi prediksi dan optimasi persediaan.

Penelitian ini mengembangkan model jaringan saraf tiruan dengan 10 neuron untuk prediksi permintaan penjualan.Neuron yang dipilih menggunakan 9 neuron dengan output kinerja sebesar 0,0010.Berdasarkan hasil, jaringan saraf tiruan mencapai akurasi prediksi dengan MAPE sebesar 2% dan MAD sebesar 2483.Regresi output dengan 9 neuron memiliki korelasi kuat sebesar 0,95, yang dapat meningkatkan data prediksi penjualan.Selain itu, model EOQ digunakan untuk menentukan ukuran lot optimal dalam perencanaan persediaan bahan, menghasilkan solusi optimal dengan pengurangan 0,15% dibandingkan model aktual (heuristik).

1. Mengembangkan model jaringan saraf tiruan dengan lapisan tersembunyi lebih banyak untuk meningkatkan akurasi prediksi dalam lingkungan permintaan dinamis. 2. Memperluas model dengan mempertimbangkan probabilitas kekurangan bahan ketika pemasok tidak memenuhi permintaan, serta kapasitas truk untuk pengiriman bahan. 3. Menerapkan model optimasi persediaan yang terintegrasi dengan logistik balik (reverse logistics) untuk meningkatkan efisiensi rantai pasok dalam industri yang menghadapi fluktuasi permintaan.

  1. Modeling the Capacitated Multi-Level Lot-Sizing Problem under Time-Varying Environments and a Fix-and-Optimize... mdpi.com/1099-4300/21/4/377Modeling the Capacitated Multi Level Lot Sizing Problem under Time Varying Environments and a Fix and Optimize mdpi 1099 4300 21 4 377
  2. Designing Hyperbolic Tangent Sigmoid Function for Solving the Williamson Nanofluid Model | MDPI. designing... mdpi.com/2504-3110/7/5/350Designing Hyperbolic Tangent Sigmoid Function for Solving the Williamson Nanofluid Model MDPI designing mdpi 2504 3110 7 5 350
Read online
File size519.37 KB
Pages16
DMCAReport

Related /

ads-block-test