Perpustakaan Digital ITB

Produk paper merupakan barang komoditas yang diproduksi oleh PT. X yang dijual ke pasar ekspor dan domestik. Produk cutsize dan folio yang sudah selesai diproduksi akan diletakkan sementara di paper warehouse khususnya palletize warehouse. Produksi paper di PT. X menggunakan sistem produksi MTO (make-to-order) sehingga produksi baru dimulai pada saat order dari customer dirilis ke Mill. Setiap tahun, tim sales mempersiapkan alokasi mingguan untuk penjualan paper di setiap wilayah destinasi customer. Permasalahan ditemukan di pasar ekspor dimana jumlah aktual volume order paper yang dirilis ke Mill melebihi alokasi mingguan yang sudah ditentukan sebelumnya. Hal ini memunculkan tantangan bagi tim SCM dalam proses booking mother vessel dan empty container ke forwarder (3PL) sesuai jumlah volume order aktual, hal ini berdampak pada tambahan biaya mitigasi inventori yang perlu dikeluarkan oleh PT. X untuk mengendalikan tingkat inventori di palletize warehouse. Penelitian ini mengembangkan model peramalan permintaan untuk jumlah volume order paper dengan menggunakan machine learning dan parameter custom loss over-prediction (?) dan under-prediction (?) berdasarkan data historis di enam wilayah penjualan, kemudian menghitung kebutuhan jumlah empty container. Hasil peramalan pada enam wilayah penjualan (A–F) menunjukkan model peramalan dengan nilai custom loss (eror) dan total biaya mitigasi inventori untuk memesan empty container adalah model ensemble RNN-LSTM, XGBoost-RNN, LightGBM-LSTM, LightGBM-RNN, XGBoost-LSTM, dan XGBoost-LSTM. Proses validasi dilakukan dengan membandingkan total biaya mitigasi inventori antara model saat ini (moving average n=24) dan model usulan, total biaya mitigasi inventori model usulan menunjukkan penurunan biaya daripada model saat ini di wilayah A, B, C sebesar 11%, 17%, 14%, dan wilayah D, E, F sebesar 29%, 17%, dan 16% dengan total empty container yang perlu dipesan selama periode data testing 5 bulan adalah 1.030, 672, 836, 848, 303, dan 267 container.