Perpustakaan Digital ITB

Ketidakpastian dalam permintaan suku cadang yang bersifat intermittent dan slow- moving sering kali menyebabkan kesalahan dalam perencanaan persediaan. Kondisi ini dapat mengakibatkan kelebihan persediaan (overstock) yang meningkatkan biaya penyimpanan atau kekurangan persediaan (stockout) yang mengganggu kelancaran operasional. Sistem persediaan konvensional berbasis continuous review dengan kebijakan (s,S) umumnya ditetapkan berdasarkan data historis. Namun, pendekatan ini memiliki keterbatasan dalam mengenali pola permintaan yang jarang dan tidak teratur sehingga kurang efektif dalam menetapkan kebijakan persediaan yang optimal. Penelitian ini mengembangkan Sistem Prediksi Kebutuhan - Persediaan Terintegrasi dan Adaptif untuk mengatasi permasalahan tersebut. Sistem ini menggabungkan model prediksi permintaan berbasis machine learning dengan sistem pengelolaan persediaan yang adaptif berbasis estimasi real-time. Model prediksi dirancang dengan pendekatan dua tahap, yaitu prediksi kejadian permintaan dan prediksi jumlah permintaan. Model prediksi mengacu pada empat acuan utama, yaitu pendekatan Best Threshold Intermittent Demand Combination Forecasting (BTIDCF) dari Zhuang dkk. (2022), teknik Synthetic Minority Over- sampling Technique (SMOTE) dari Chen dkk. (2024), penggunaan loss function dari Nguyen dan Thai (2023), dan metode stacking ensemble dari Chien dkk. (2023). Algoritma yang digunakan mencakup Logistic Regression, Decision Tree, Random Forest, Support Vector Machine (SVM), LightGBM, Long Short-Term Memory (LSTM), dan Deep Neural Network (DNN). Hasil eksperimen menunjukkan bahwa model ini meningkatkan hasil prediksi dengan Area Under the Curve (AUC) sebesar 32% dan menurunkan Mean Squared Error (MSE) sebesar 47% dibandingkan model pembanding. ii Model prediksi ini kemudian diintegrasikan ke dalam Sistem Prediksi Kebutuhan – Persediaan Terintegrasi dan Adaptif untuk melakukan optimasi kebijakan (s,S), dengan Kalman Filter sebagai alat estimasi permintaan secara real-time, seperti yang dikembangkan oleh Polotski dkk. (2020). Untuk penentuan kombinasi nilai s dan S yang optimal dengan mempertimbangkan total biaya dan service level, digunakan pendekatan Response Surface Methodology (RSM). Hasil eksperimen menunjukkan bahwa sistem ini mampu menurunkan rata-rata total biaya operasional sebesar 14% dengan mempertahankan tingkat layanan (service level) sebesar 100%. Pendekatan yang diusulkan memberikan kontribusi dalam pengembangan sistem prediksi–persediaan yang terintegrasi dan adaptif dengan menggabungkan keunggulan metode model-based dan data-driven dalam menangani permintaan suku cadang yang tidak teratur. Keunggulan utama sistem ini terletak pada kemampuan sistem menyesuaikan estimasi dan kebijakan persediaan berdasarkan data real-time, berbeda dengan pendekatan konvensional yang bersifat statis dan hanya bergantung pada data historis. Selain itu, penelitian ini mengatasi tantangan ketidakseimbangan data dalam permintaan intermittent melalui integrasi SMOTE dan loss function yang belum banyak diterapkan secara terintegrasi dalam penelitian terdahulu. Hasil penelitian ini berpotensi memberikan manfaat bagi industri berbasis pemeliharaan, seperti manufaktur, migas, dan transportasi dalam mengurangi risiko kekurangan persediaan tanpa meningkatkan biaya penyimpanan secara signifikan. Dari sisi akademis, penelitian ini memperkaya literatur mengenai integrasi model prediksi dan pengambilan keputusan persediaan melalui pendekatan hybrid yang lebih presisi, adaptif, dan relevan untuk kondisi operasional industri yang dinamis.