Publisher

UBUB

Journal Jurnal Teknologi Informasi dan Ilmu KomputerJurnal Teknologi Informasi dan Ilmu Komputer Abstract

Ketepatan peramalan kebutuhan persediaan folding box menjadi faktor krusial dalam menjaga kelancaran produksi industri kosmetik, khususnya bagi perusahaan maklon dengan sistem produksi Make to Order (MTO). PT X sebagai salah satu perusahaan maklon menghadapi tantangan dalam pengelolaan persediaan kemasan folding box, yang selama ini masih dilakukan secara manual. Ketidakakuratan dalam perencanaan persediaan folding box berpotensi menimbulkan risiko stock out dan keterlambatan produksi. Penelitian ini bertujuan untuk membandingkan kinerja empat metode peramalan, yaitu SARIMA, Prophet, XGBoost, dan Random Forest, dalam memprediksi kebutuhan folding box berdasarkan data historis periode Januari 2023 hingga Desember 2024. Evaluasi kinerja model dilakukan menggunakan dua metrik utama, yaitu Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model Random Forest memberikan performa terbaik dengan RMSE sebesar 14.375,29 dan MAPE sebesar 0,66%, diikuti oleh XGBoost dan Prophet. Temuan ini memperlihatkan bahwa pendekatan machine learning lebih unggul dalam menangani pola data persediaan yang fluktuatif dibandingkan model statistik. Penerapan model prediktif ini diharapkan dapat mendukung PT X dalam menyusun strategi pengadaan folding box secara lebih tepat guna meminimalkan risiko stock out dan meningkatkan efisiensi produksi. Penelitian ini juga membuka peluang pengembangan metode lanjutan berbasis hybrid atau ensemble untuk meningkatkan akurasi prediksi di masa mendatang.

Conclusion

Penelitian ini menemukan bahwa dari empat metode peramalan, model Random Forest menunjukkan kinerja terbaik dengan RMSE 14.375,29 dan MAPE 0,66% dalam memprediksi persediaan folding box, menegaskan keunggulan ensemble learning untuk data yang fluktuatif.Dengan demikian, implementasi model prediktif ini sangat bermanfaat bagi PT X untuk merencanakan pengadaan secara tepat guna, mengurangi risiko stock out, meminimalkan biaya karena kelebihan atau pembelian mendadak, serta meningkatkan efisiensi produksi.Untuk masa depan, penelitian dapat difokuskan pada pengembangan model hybrid atau eksplorasi deep learning, serta integrasi variabel eksternal seperti tren penjualan dan jadwal produksi, demi peningkatan akurasi peramalan dan dukungan keputusan rantai pasok yang lebih optimal.

Future Research

Penelitian lanjutan dapat memperluas cakupan data historis yang digunakan, misalnya dengan menganalisis data lima hingga sepuluh tahun terakhir dari berbagai jenis produk kemasan folding box di PT X. Ini akan membantu memahami pola permintaan jangka panjang yang lebih stabil dan mengidentifikasi apakah model peramalan yang sama tetap paling efektif untuk kondisi data yang lebih beragam. Selain itu, pengembangan model hibrida yang cerdas, menggabungkan keunggulan metode statistik dalam menangkap tren musiman dengan kemampuan pembelajaran mesin dalam mengadaptasi fluktuasi permintaan yang tiba-tiba, menjadi arah studi yang menjanjikan. Model semacam ini perlu dievaluasi kemampuannya untuk beradaptasi terhadap perubahan pasar yang tidak terduga atau dampak dari kampanye pemasaran besar. Terakhir, sangat penting untuk melakukan studi dampak ekonomi dari penerapan sistem peramalan ini, dengan mengukur secara kuantitatif penghematan biaya operasional. Studi ini dapat mengidentifikasi bagaimana integrasi prediksi persediaan yang akurat mampu meminimalkan biaya penyimpanan berlebih, menghindari biaya pemesanan mendadak, serta mengurangi kerugian akibat kehilangan penjualan karena stok kosong. Oleh karena itu, penelitian mendatang sebaiknya fokus pada bagaimana hasil peramalan dapat diterjemahkan menjadi rekomendasi kebijakan pengadaan yang optimal secara finansial, dengan mengembangkan sistem pendukung keputusan yang memperhitungkan semua variabel biaya relevan.

References

1. PeerJ The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE... peerj.com/articles/cs-623PeerJ The coefficient of determination R squared is more informative than SMAPE MAE MAPE MSE and RMSE peerj articles cs 623

Metadata

File size	902.87 KB
Pages	11
DMCA	Report