Perpustakaan Digital ITB

Manajemen Rantai Pasok merupakan aspek krusial dalam operasi bisnis PT PLN (Persero) untuk memastikan distribusi energi yang lancar di seluruh Indonesia. Permintaan pasar yang cepat dan beragam membuat PT PLN (Persero) menghadapi tantangan dalam memprediksi kebutuhan meter listrik secara akurat, sehingga menyebabkan ketidakefisienan dalam perencanaan material. Perencanaan kebutuhan material selama ini dilakukan dengan estimasi berdasarkan penggunaan historis meter listrik dari tahun sebelumnya, yang diisi secara manual oleh setiap unit di setiap kota untuk memperkirakan kebutuhan material selama tiga bulan ke depan. Proses ini dilakukan secara manual, dan jumlah material yang direncanakan selalu dilebihkan sekitar 20-30% untuk mengantisipasi ketidakpastian permintaan. Akibatnya, banyak material yang tidak terpakai menumpuk di gudang, sehingga meningkatkan biaya penyimpanan. Penelitian ini bertujuan untuk meningkatkan efisiensi manajemen inventaris dan mengurangi biaya melalui peramalan permintaan meter listrik yang lebih akurat dengan menggunakan model berbasis deep learning, yaitu Long Short-Term Memory (LSTM). LSTM adalah model deep learning yang telah banyak digunakan untuk data deret waktu (time-series). Prediksi ini didasarkan pada data permintaan material meter listrik dari tahun 2021 hingga 2023. Hasil penelitian menunjukkan bahwa penggunaan model LSTM untuk memprediksi permintaan material mampu mengurangi biaya penyimpanan sebesar 71,32%, karena jumlah pesanan lebih sesuai dengan permintaan aktual.