Perpustakaan Digital ITB

Peramalan rantai pasok memegang peranan krusial dalam perencanaan strategis dan optimalisasi inventori industri. Peramalan deret waktu konvensional sering kali memiliki keterbatasan dalam menangkap pola non-linier dan tiap produk dianggap terpisah. Untuk mengatasi tantangan tersebut, penelitian ini mengimplementasikan dan mengevaluasi arsitektur Spatio-Temporal Graph Neural Network (ST-GNN) menggunakan SupplyGraph Dataset. Dua model utama yang dibangun dan dibandingkan adalah Temporal Graph Convolutional Network (T-GCN) dan Temporal Message Passing Neural Network (T-MPNN) menggunakan Graph Network Framework. Selain itu, penelitian ini mengevaluasi pengaruh dari tambahan atribut global, serta penerapan arsitektur encoder-decoder bertingkat. Karena simpul graf banyak yang bersifat data jarang (sparse), evaluasi kinerja model diukur menggunakan metrik bermasker (masked metrics), yaitu Masked Mean Absolute Error (Masked MAE) dan Masked Root Mean Squared Error (Masked RMSE). Hasil eksperimen menunjukkan bahwa model T-MPNN memberikan performa yang lebih unggul dibandingkan T-GCN. Selain itu, ada beberapa fitur atribut global yang bisa meningkatkan performa model T-GCN dan T-MPNN.