Perpustakaan Digital ITB

PT XYZ merupakan perusahaan yang bergerak di bidang elektrifikasi, automasi, dan digitalisasi. Secara tradisional PT XYZ menjual produknya dengan model Business-to-Business (B2B). Namun, beberapa produk mulai dijual secara langsung melalui channel e-commerce. Dalam penjualan melalui channel baru ini, terdapat symptom permasalahan berupa terjadinya overstocking dan lost sales. Analisis akar masalah dilakukan lalu ditetapkan tujuan penelitian yaitu merancang prototipe perangkat lunak pendukung peramalan permintaan produk PT XYZ yang dijual melalui channel e-commerce. Metodologi penelitian dirancang berdasarkan framework CRISP-DM. Tahap modeling dilakukan untuk model existing dan 4 model usulan. Dua model usulan tersebut, yaitu ETS dan ARIMA, termasuk ke dalam model statistika. Dua model usulan lainnya, yaitu LSTM dan GRU, tergolong ke dalam model neural networks dan dilakukan integrasi dengan teknik time series clustering menggunakan algoritma K-Means dan dynamic time warping (DTW) untuk meningkatkan performansi. Hasil evaluasi model menunjukkan bahwa model GRU, dengan kombinasi time series clustering, memiliki performansi terbaik. Model GRU berhasil menurunkan nilai mean absolute scaled error (MASE) dari 83,66% pada metode existing menjadi 71,36%. Hasil ini memberikan nilai tambah bagi bisnis yang dihitung menggunakan price-weighted error, dan berhasil memperbaiki price-weighted error sebesar 18,08% relatif terhadap metode existing. Dari model terpilih dan tahapan lainnya pada penelitian, dibangun suatu prototipe perangkat lunak yang mengurangi waktu forecast dari 1-2 hari kerja menjadi 14 menit dan 42 detik.