ITSITS

International Journal of Business and Management Technology in SocietyInternational Journal of Business and Management Technology in Society

Tujuan – Penelitian ini bertujuan mengoptimalkan operasi pengiriman dengan mengimplementasikan metode pengelompokan fleksibel untuk menangani ketidakpastian permintaan dan meningkatkan efisiensi logistik. Metodologi – Penelitian ini mengembangkan algoritma pengelompokan menggunakan pendekatan dua dimensi time-warping untuk mengelompokkan titik permintaan berdasarkan kedekatan spasial dan karakteristik permintaan. Metodologi terdiri dari tiga tahap: 1) pemrosesan data jarak titik, 2) pengelompokan dengan time-warping dua dimensi, dan 3) validasi melalui analisis silhouette. Hasil – Penelitian menghasilkan pengelompokan lokasi permintaan yang optimal dan efisien dengan nilai koefisien silhouette sebesar 0,7 atau tingkat akurasi dan kelayakan sebesar 70 %. Algoritma juga menunjukkan peningkatan efisiensi komputasi dibandingkan pendekatan tradisional, sehingga cocok untuk aplikasi praktis dalam lingkungan yang tidak pasti dan dinamis. Implikasi – Penelitian ini memiliki pentingnya praktis yang signifikan bagi perusahaan di sektor logistik dan ritel. Dengan pengelompokan permintaan, perusahaan dapat secara efektif mengelompokkan permintaan pelanggan dan memanfaatkan informasi tersebut untuk mengoptimalkan manajemen persediaan dan solusi pengiriman.

Akurasi permintaan sangat penting bagi sektor logistik dan ritel, sehingga diperlukan metode pengelompokan yang optimal menggunakan pembelajaran mesin.Penelitian ini mengusulkan dynamic time warping untuk clustering, menghasilkan skor Silhouette 0,703 dan kompleksitas waktu O(m*n), yang menunjukkan efisiensi dibandingkan metode tradisional.Penelitian selanjutnya disarankan untuk memperluas ke clustering n‑dimensi dengan memasukkan variabel tambahan seperti biaya, kategori, dan segmentasi produk.

Penelitian selanjutnya dapat mengeksplorasi ekstensi algoritma dynamic time warping (DTW) ke data n‑dimensi dengan menambahkan berbagai atribut produk seperti berat, volume, dan umur simpan, untuk menilai bagaimana peningkatan dimensi mempengaruhi kualitas clustering dan efisiensi logistik. Selain itu, perlu diselidiki dampak integrasi variabel biaya (misalnya biaya pengiriman, tarif) dan kategori produk terhadap hasil clustering, serta apakah kombinasi tersebut dapat meningkatkan akurasi prediksi permintaan dan mengoptimalkan alokasi sumber daya. Selanjutnya, dapat dikembangkan model hibrida yang menggabungkan DTW dengan teknik pembelajaran mesin modern, seperti jaringan saraf dalam, untuk menangani pola permintaan dinamis pada skala besar, dan dibandingkan performanya dengan DTW tradisional dalam hal akurasi, kecepatan komputasi, dan skalabilitas.

  1. Demand Forecasting of Retail Sales Using Data Analytics and.... demand forecasting retail sales data... doi.org/10.2478/mmcks-2020-0012Demand Forecasting of Retail Sales Using Data Analytics and demand forecasting retail sales data doi 10 2478 mmcks 2020 0012
Read online
File size525.1 KB
Pages7
DMCAReport

Related /

ads-block-test