Perpustakaan Digital ITB

PT X adalah perusahaan manufaktur otomotif yang menerapkan sistem Just-In-Time, sehingga keterlambatan kedatangan komponen impor melalui jalur laut berpotensi menghentikan lini produksi dan memicu kebutuhan Critical Part Order (CPO) melalui kargo udara berbiaya tinggi. Penelitian ini mengidentifikasi dua kesenjangan eksekusi pada proses pengadaan impor: (1) belum tersedianya alat prediksi keterlambatan berbasis data historis untuk penetapan parameter shipping delay, dan (2) belum tersedianya alat pendukung keputusan berbasis sinyal dini berita untuk justifikasi CPO preventif. Untuk menjawab kedua permasalahan tersebut, dikembangkan prototipe alat pendukung keputusan dua modul menggunakan metodologi CRISP-DM. Modul 1 membangun model prediksi keterlambatan pengiriman berbasis machine learning pada 420 data historis pengiriman dari delapan rute menuju Tanjung Priok (periode Juni 2023 sampai Mei 2024). Lima model kandidat dievaluasi menggunakan time-series cross-validation dengan embargo terhadap baseline statistik Weighted Historical Average (WHA). Modul 2 mengadaptasi konsep Contributing Event-based Risk Identification and Assessment (CERIA) untuk merancang pipeline analisis berita maritim berbasis Large Language Model (LLM) dengan GPT-4o-mini yang menghasilkan informasi risiko terstruktur dan dapat ditelusuri. Hasil evaluasi menunjukkan bahwa model ExtraTrees menghasilkan Mean Absolute Error (MAE) 1,588 hari, yaitu perbaikan sebesar 35,5% dibandingkan baseline WHA (MAE 2,462 hari), dan perbedaan tersebut signifikan secara statistik (Wilcoxon p = 0,006; Friedman p < 0,001). Pipeline Modul 2 menghasilkan 25 risk events terstruktur dari 10 artikel unik yang memuat komponen audit utama berupa sumber, event, risk level, rute terdampak, dan reasoning. Backtesting timeliness pada skenario Red Sea Crisis menunjukkan sinyal berita tersedia 68 hari sebelum spike keterlambatan pertama teramati (first spike arrival 24 Januari 2024), dengan actionable window +29 hari terhadap decision proxy pemesanan. Integrasi kedua modul dirancang sebagai kerangka pelaporan yang menyatukan prediksi keterlambatan internal dengan evidence risiko eksternal untuk mendukung keputusan CPO dan penetapan parameter shipping delay secara lebih transparan dan dapat diaudit.