Perpustakaan Digital ITB

Akurasi peramalan permintaan material strategis merupakan komponen krusial dalam rantai pasok kelistrikan, karena ketidaktepatan estimasi dapat menimbulkan understock yang menghambat pelaksanaan proyek maupun overstock yang membebani anggaran penyimpanan. Sebagian besar pendekatan peramalan yang digunakan masih bersifat univariat berbasis data historis, sehingga tidak mampu menangkap pengaruh variabel kontekstual proyek terhadap pola permintaan yang bersifat episodik. Penelitian ini mengembangkan model prediksi hybrid multivariat kontekstual yang memisahkan secara eksplisit pemodelan pola temporal melalui Long Short-Term Memory (LSTM) dan koreksi residual berbasis variabel kontekstual proyek melalui Random Forest, menggunakan data transaksional sistem pengadaan utilitas kelistrikan selama sepuluh tahun pada tujuh belas plant distribusi sebagai studi kasus. Enam model dibangun dan dibandingkan: ARIMA, LSTM Univariat, dan GRU Univariat sebagai baseline; LSTM dan GRU Multivariat yang mengintegrasikan fitur kontekstual melalui broadcasting; serta model Hybrid LSTM-Random Forest yang diusulkan. Model Hybrid mencapai MAPE terendah pada data uji (29,49%), mengungguli seluruh baseline univariat (32,54–34,29%) dan tetap menjadi model terbaik pada granularitas mingguan. Sebaliknya, broadcasting fitur kontekstual secara langsung ke input sekuensial tidak secara konsisten meningkatkan akurasi dan menyebabkan kegagalan generalisasi yang signifikan pada GRU Multivariat. Analisis feature importance menunjukkan bahwa fitur skala proyek memberikan kontribusi terbesar terhadap mekanisme koreksi residual. Temuan ini mengindikasikan bahwa metode integrasi variabel kontekstual berpengaruh signifikan terhadap performa model, sebagaimana ditunjukkan oleh model multivariat dan Hybrid yang menggunakan fitur kontekstual identik namun menghasilkan performa yang sangat berbeda.