📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 5 dokumenRANCANGAN MODEL PERAMALAN HARGA BERBASIS DEEP LEARNING DAN INTEGRASI KE KEBIJAKAN PENGADAAN ADAPTIF UNTUK BAHAN BAKU NATIVE TAPIOCA STARCH DI PT X
PT X menggunakan native tapioca starch sebagai bahan baku produksi kertas dan karton dengan kebutuhan sekitar 72.000 ton per tahun. Pengadaannya menghadapi volatilitas harga, pola pasokan musiman, lead time impor 20–30 hari, kapasitas gudang 4.000 ton, dan minimum order quantity 500 ton. Penelitian ini bertujuan mengembangkan model peramalan harga mingguan berbasis deep learning dan mengintegrasikan hasilnya ke dalam kebijakan pengadaan adaptif berbasis EOQ per Rezim. Lima arsitektur deep learning, yaitu DNN, RNN, LSTM, GRU, dan Stacked LSTM, dievaluasi pada skenario univariat dan multivariat menggunakan 469 observasi mingguan periode 2016–2024. Data dibagi secara kronologis menjadi 85% data pelatihan dan 15% data pengujian. Model dievaluasi menggunakan MAE, RMSE, MAPE, dan R². Forecast dari model terbaik distandardisasi menjadi skorz, diklasifikasikan ke dalam rezim low, normal, dan high, kemudian digunakan untuk menentukan alokasi volume dan EOQ per Rezim. GRU univariat menghasilkan kinerja terbaik dengan MAE 6,196 USD/ton, RMSE 8,243 USD/ton, MAPE 1,198%, dan R² 0,9595. Evaluasi tahun 2025 menunjukkan korelasi forecast terhadap harga aktual sebesar 0,8628, sehingga forecast digunakan sebagai sinyal harga relatif. Dengan parameter ? = 0,5, EOQ per Rezim menghasilkan 19 order per tahun, harga beli rata-rata tertimbang 436,60 USD/ton, dan menurunkan ongkos total dari USD 35.003.265 menjadi USD 34.572.710. Potensi penghematan yang diperoleh adalah USD 430.555 per tahun atau 1,23%.
PENGEMBANGAN MODEL FORECASTING DEMAND BERBASIS MACHINE LEARNING DAN PERANCANGAN KEBIJAKAN PERSEDIAAN SPARE PART PESAWAT DENGAN PENDEKATAN INTERMITTENT DEMAND
PT X menghadapi tantangan dalam perencanaan kebutuhan spare part pesawat untuk aktivitas Maintenance, Repair, and Overhaul (MRO) karena pola permintaan yang bersifat intermittent (jarang muncul dan banyak bernilai nol). Metode forecasting existing saat ini memiliki akurasi yang rendah, sehingga berisiko menyebabkan kekurangan stok. Penelitian ini bertujuan mengembangkan model forecasting yang lebih akurat menggunakan pendekatan Machine Learning (ML) dan menyusun kebijakan persediaan yang optimal dengan pendekatan intermittent demand. Metodologi diawali dengan klasifikasi pola permintaan menggunakan parameter Average Demand Interval (ADI) dan Coefficient of Variation Squared (????????2) untuk mengelompokkan spare part ke dalam kategori smooth, erratic, slow, dan lumpy, dilanjutkan analisis ABC berbasis nilai biaya multi-mata uang yang distandardisasi ke USD. Pengembangan model dilakukan melalui dua skema: forecasting menggunakan model Naïve sebagai baseline dan Two-Stage Regression (klasifikasi dan regresi), dengan feature engineering berupa lag temporal, moving average, demand density, dan fitur momentum. Analisis feature importance menunjukkan bahwa fitur lag temporal dan demand density merupakan faktor yang paling berpengaruh dalam meningkatkan akurasi prediksi pada pola intermittent demand. Untuk menangani ketidakseimbangan kelas pada Stage 1, diterapkan teknik SMOTE (Synthetic Minority Over-sampling Technique). Algoritma yang diuji untuk Two-Stage Regression meliputi Logistic/Linear Regression, Random Forest, dan Support Vector Machine (SVM), dievaluasi menggunakan chronological train-test split (80:20) dan walk-forward rolling validation. Signifikansi perbedaan performa model Machine Learning terhadap metode baseline dan metode existing yaitu Syntetos-Boylan Approximation (SBA) dibuktikan secara statistik menggunakan Wilcoxon Signed-Rank Test. Model terbaik kemudian diintegrasikan ke dalam perhitungan kebijakan persediaan berupa Economic Order Quantity (EOQ), Reorder Point (ROP), dan safety stock menggunakan pendekatan Negative Binomial Distribution (NBD). Hasil evaluasi menunjukkan bahwa kebijakan persediaan usulan merupakan alternatif yang paling optimal dibanding metode existing, dengan potensi penghematan Total Inventory Cost (TIC) hingga 72%.
MEMINIMALKAN KELEBIHAN PERSEDIAAN DAN DAMPAKNYA DENGAN MENINGKATKAN AKURASI PERAMALAN: STUDI KASUS PT. TRUCKSTORS LANCAR ABADI
PT. TRUCKSTORS LANCAR ABADI adalah produsen alat berat ternama di Indonesia. Perusahaan ini telah lama menghadapi permasalahan kelebihan persediaan. Ketidakseimbangan ini menyebabkan dana terikat secara tidak efisien, meningkatnya biaya penyimpanan, dan hilangnya peluang penjualan. Studi ini mengkaji akar permasalahan tersebut dan mengusulkan solusi berbasis peramalan melalui pendekatan kualitatif dan kuantitatif. Penelitian diawali dengan pengumpulan masukan dari pemangku kepentingan internal, kemudian dilakukan prioritisasi menggunakan metode Analytic Hierarchy Process (AHP). Dari empat alternatif solusi, penerapan sistem peramalan statistik memperoleh bobot tertinggi (42,7%), yang mengonfirmasi bahwa masalah utama terletak pada ketidakakuratan peramalan permintaan. Untuk memvalidasi hal tersebut, enam model peramalan diuji: SARIMA, regresi linier berganda, double dan triple exponential smoothing, neural network, dan XGBoost. Di antara model tersebut, SARIMA menunjukkan hasil terbaik dengan MAPE sebesar 15,3% dan MAE sebesar 257, menjadikannya model yang paling sesuai untuk pola permintaan musiman di industri ini. Simulasi yang membandingkan metode saat ini dengan pendekatan berbasis SARIMA menunjukkan manfaat finansial yang signifikan. Potensi kerugian bunga tahunan dapat dikurangi dari USD 3,32 juta menjadi USD 0,39 juta, dan biaya penyimpanan inventori dari USD 9,64 juta menjadi USD 1,13 juta. Total penghematan biaya mencapai sekitar 88%. Analisis merekomendasikan penggunaan SARIMA sebagai model dasar, dan penggunaan model hibrida seperti XGBoost atau neural network untuk fleksibilitas yang lebih tinggi. Integrasi solusi ini ke dalam sistem BAAN ERP yang sudah ada, serta penguatan koordinasi internal, menjadi kunci keberhasilan jangka panjang
PERENCANAAN DISTRIBUSI UANG RUPIAH BANK INDONESIA
Perencanaan distribusi konvensional Bank Indonesia dapat dengan mudah mendorong utilisasi kapasitas yang tidak efisien dan tingkat persediaan berlebih – terlihat dari rata-rata kepadatan khazanah 92,81% serta tingkat utilisasi trayek full truckload yang hanya 24,3% dari keseluruhan trayek. Hal ini disebabkan oleh tidak adanya visibilitas permintaan sehingga diajukan penerapan konsep vendor- managed inventory dengan masalah inti inventory routing problem. Dalam penelitian ini, dikembangkan model dan algoritma penyelesaian inventory routing problem untuk mengoptimasi perencanaan distribusi uang rupiah Bank Indonesia. Permasalahan didekati dengan pemrograman integer campuran yang dibangun dari representasi jaringan terekspansi waktu dan diselesaikan dengan aproksimasi optimality gap. Model dan algoritma yang dibuat kemudian disimulasikan penggunaannya secara rolling horizon. Dari seluruh pengujian yang dilakukan, dibuktikan bahwa solusi biaya total layanan optimal dalam inventory routing problem dapat menurunkan utilisasi kapasitas khazanah sebesar 51,44% dan meningkatkan frekuensi pengantaran full truckload sebesar 11,66%. Selain itu, ditunjukkan bahwa model dapat memberikan penghematan lebih melalui penggunaan horizon perencanaan yang lebih panjang serta penggunaan pilihan trayek yang lebih banyak. Model dinilai tidak sensitif terhadap perubahan parameter biaya dan diekspektasi mengalami kenaikan biaya ketika terjadi simpangan realisasi kebutuhan. Disimpulkan bahwa model layak dipertimbangkan sebagai metode alternatif perencanaan distribusi uang rupiah.
PENGEMBANGAN APLIKASI OPTIMASI INVENTARIS PERAWATAN BERBASIS WEB
Aplikasi optimasi inventori dapat membantu perusahaan atau organisasi untuk mengelola dan melakukan optimasi inventori. Aplikasi jenis ini banyak tersedia di pasaran. Namun, aplikasi yang tersedia di pasaran didesain untuk pemakaian umum dan tidak dapat dirubah dengan fleksibel untuk kepentingan riset. Maka dari itu, pada penelitian ini sebuah aplikasi optimasi inventori dikembangkan sesuai dengan kebutuhan akademik. Pengembangan aplikasi dimulai dari mengevaluasi model-model optimasi inventori yang nantinya akan diimplmentasikan ke dalam aplikasi. Aplikasi ini dikembangkan dengan framework Streamlit dan SQLite sebagai database. Aplikasi ini lalu di deploy melalui Streamlit Community Cloud. Aplikasi yang dikembangkan dalam penelitian ini dapat menyimpan, mengelola, dan mengoptimasi inventori baik untuk komponen kritis dan komponen nonkritis. Aplikasi ini juga dilengkapi dengan grafik-grafik yang menampilkan tingkat ketersediaan stok dan data biaya untuk membantu pengguna memantau inventori dan membantu pengguna dalam pengambilan keputusan. Aplikasi ini dapat dikembangkan lebih lanjut untuk riset dan proyek optimasi inventori di kedepannya.