Perpustakaan Digital ITB

PT X menggunakan native tapioca starch sebagai bahan baku produksi kertas dan karton dengan kebutuhan sekitar 72.000 ton per tahun. Pengadaannya menghadapi volatilitas harga, pola pasokan musiman, lead time impor 20–30 hari, kapasitas gudang 4.000 ton, dan minimum order quantity 500 ton. Penelitian ini bertujuan mengembangkan model peramalan harga mingguan berbasis deep learning dan mengintegrasikan hasilnya ke dalam kebijakan pengadaan adaptif berbasis EOQ per Rezim. Lima arsitektur deep learning, yaitu DNN, RNN, LSTM, GRU, dan Stacked LSTM, dievaluasi pada skenario univariat dan multivariat menggunakan 469 observasi mingguan periode 2016–2024. Data dibagi secara kronologis menjadi 85% data pelatihan dan 15% data pengujian. Model dievaluasi menggunakan MAE, RMSE, MAPE, dan R². Forecast dari model terbaik distandardisasi menjadi skorz, diklasifikasikan ke dalam rezim low, normal, dan high, kemudian digunakan untuk menentukan alokasi volume dan EOQ per Rezim. GRU univariat menghasilkan kinerja terbaik dengan MAE 6,196 USD/ton, RMSE 8,243 USD/ton, MAPE 1,198%, dan R² 0,9595. Evaluasi tahun 2025 menunjukkan korelasi forecast terhadap harga aktual sebesar 0,8628, sehingga forecast digunakan sebagai sinyal harga relatif. Dengan parameter ? = 0,5, EOQ per Rezim menghasilkan 19 order per tahun, harga beli rata-rata tertimbang 436,60 USD/ton, dan menurunkan ongkos total dari USD 35.003.265 menjadi USD 34.572.710. Potensi penghematan yang diperoleh adalah USD 430.555 per tahun atau 1,23%.