Perpustakaan Digital ITB

PT SA adalah sebuah perusahaan FMCG yang sedang menghadapi tantangan berupa persentase pemenuhan permintaan yang hanya mencapai 93,4% dari target pemenuhan 97,5%. Tantangan lain yang dihadapi adalah penumpukan inventori hingga 23 days of inventory. Salah satu akar permasalahan dari isu-isu ini adalah peramalan penjualan PT SA yang memiliki akurasi rendah sehingga tidak dapat menjadi dasar yang baik bagi perencanaan produksi. Dalam rangka mengatasi permasalahan, penelitian ini melakukan pengembangan usulan model peramalan penjualan berbasis pembelajaran mesin. Terdapat beberapa alternatif model yang dipertimbangkan sebagai solusi, di antaranya adalah Support Vector Machine (SVM) dan varian Recurrent Neural Network (RNN) seperti Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Beberapa model tersebut kemudian melalui uji coba untuk memperoleh model yang paling sesuai untuk set data penelitian, dengan menggunakan metode evaluasi k- fold cross-validation. Dari hasil penelitian diperoleh model usulan terbaik adalah model berbasis GRU dengan hasil nilai total mean squred error senilai 0,6966. Perbandingan hasil peramalan dengan model GRU tersebut apabila dibandingkan dengan hasil peramalan existing menunjukkan peningkatan akurasi pada 148 dari 164 produk (stock-keeping unit). Melalui kategorisasi nilai mean absolute percentage error berdasarkan standar perusahaan, diperoleh bahwa nilai MAPE yang dikategorikan “Baik” meningkat dari 46% menjadi 100%.