Perpustakaan Digital ITB

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%.