Perpustakaan Digital ITB
PT Adhi Surya Amanah (ASA Trans), perusahaan pengiriman barang B2B domestik di Indonesia, mengalami inefisiensi yang konsisten dalam proses penetapan harga yang menghambat pelaksanaan yang tepat waktu dan akurat yang diperlukan untuk tetap kompetitif di pasar. Perusahaan sebagian besar bergantung pada metode manual untuk persiapan penawaran, di mana informasi diperoleh secara terfragmentasi dan tersebar di berbagai spreadsheet, email, dan catatan tulisan tangan. Konsekuensi dari metode ini adalah keputusan penetapan harga yang fluktuatif, proses penawaran yang panjang, dan ketergantungan yang berlebihan pada interpretasi staf, yang membatasi kemampuan perusahaan untuk merespons dengan cepat permintaan pelanggan dalam lingkungan logistik yang semakin padat. Inefisiensi ini juga menghadirkan tantangan ilmiah dan manajerial, karena penetapan harga yang akurat dan tepat waktu sangat penting untuk profitabilitas dan kinerja pasar bagi perusahaan pengiriman barang.
Oleh karena itu, studi ini bertujuan untuk mengembangkan, menguji, dan membangun infrastruktur peramalan harga berbasis data yang akan membantu memaksimalkan efisiensi, meminimalkan kesalahan manusia, dan memberdayakan ASA Trans untuk membuat keputusan strategis yang lebih baik. Studi ini menganalisis alur kerja ASA Trans, membantu mengidentifikasi akar penyebab inefisiensi tersebut. Penilaian ini mengidentifikasi empat kelemahan utama: informasi harga yang terfragmentasi dan tidak terstruktur, verifikasi manual, kurangnya akses ke informasi biaya dan pasar terkini, dan peningkatan ketergantungan pada penilaian subjektif. Semua ini berkontribusi pada penurunan keandalan operasional dan membatasi pertumbuhan perusahaan.
Untuk mengatasi tantangan ini, studi ini mengusulkan model peramalan berdasarkan asumsi bahwa informasi historis tentang biaya, tarif angkutan, dan harga ASA Trans dapat memberikan tren operasional yang diperlukan untuk peramalan yang akurat. Studi ini juga mengasumsikan bahwa tren pasar seperti harga bahan bakar dan tol dapat diprediksi dan spesifik. Penelitian ini akan mengidentifikasi persyaratan data untuk prediksi harga, metodologi peramalan acuan, mengembangkan sistem prediksi harga yang layak, dan mengintegrasikannya ke dalam alur kerja ASA Trans.
Untuk mencapai tujuan ini, para peneliti melakukan proses multi-tahap. Untuk memperoleh data primer, mereka mengumpulkan data tarif angkutan internal, catatan biaya operasional, dan harga historis, sementara data sekunder dikumpulkan melalui perbandingan tarif angkutan dan kartu tarif pesaing. Tahapan ini meliputi pembersihan data, standardisasi data, analisis data eksplorasi, pembuatan model, dan validasi proses pembelajaran mesin. Secara spesifik, tiga model digunakan: Regresi Linier Berganda, Random Forest, dan LightGBM untuk mengidentifikasi pendekatan mana yang memberikan prediksi paling akurat dan operasional. Evaluasi model dilakukan menggunakan MAE, RMSE, dan MAPE bersama dengan kriteria validasi bisnis seperti kecepatan penawaran, kemudahan penggunaan, dan keselarasan dengan tujuan keuangan.
Hasil menunjukkan bahwa model Random Forest mencapai kesalahan terendah dan konsistensi hasil tertinggi di berbagai situasi pengiriman. Model ini dapat memodelkan asosiasi nonlinier dan oleh karena itu berpotensi menjadi solusi yang baik untuk struktur multidimensional dan berbasis biaya dari industri angkutan domestik Indonesia. Model Random Forest diimplementasikan melalui Sistem Peramalan Harga berbasis web yang dikembangkan di ASA Trans.
Pada fase pertama implementasi, model tersebut diimplementasikan sebagai alat kerja yang memungkinkan pengguna untuk memasukkan perkiraan biaya pengiriman, biaya operasional, dan waktu tunggu. Hasil uji menunjukkan bahwa waktu penyelesaian penawaran telah berkurang dari beberapa jam menjadi beberapa menit, menunjukkan peningkatan efisiensi operasional yang signifikan. Umpan balik pengguna selama proses pelatihan dan orientasi menunjukkan bagaimana sistem tersebut meningkatkan konsistensi, mengurangi beban kerja administratif, dan menghasilkan keputusan penetapan harga yang lebih akurat.