PENGURANGAN NILAI TINGKAT INVENTARIS AKIBAT FORECAST DEMAND DAN FORECAST STOCK YANG DIPENGARUHI PANDEMI COVID-19 PADA RANTAI PASOK RITEL PRODUK SEPATU MENGGUNAKAN METODE LONG SHORT TERM MEMORY PADA PT XYZ

Authors

DOI:

https://doi.org/10.32493/jitmi.v5i1.y2022.p7-12

Keywords:

Forecast demand, Forecast stock, LSTM, Deep Learning, Inventory

Abstract

PT. XYZ merupakan perusahaan ritel pakaian, makanan dan kebutuhan rumah tangga di Indonesia. Namun dengan adanya pandemic covid-19 di Indonesia pada awal tahun 2020 industri ritel termasuk PT. XYZ mendapatkan pengaruh dalam jumlah penjualannya sehingga hasil forecast meleset dan berhasil membuat tingkat inventaris di PT XYZ naik di atas standar yang telah ditetapkan. Tujuan penelitian ini adalah menentukan jumlah optimal dalam peramalan dari data penjualan dan persediaan produk sepatu yang ada sehingga bisa meningkatkan kualitas tingkat inventaris PT XYZ dengan menggunakan metode LSTM dan di tes akurasi melihat dari nilai RSMEnya. Terdapat 3 skenario X dan Y, yang pertama X=stock actual, stock plan dan Y=sales actual, yang kedua nilai X=stock actual, moving average (n, n-1) dan Y= sales actual, yang terakhir X=Stock Plan, Sales dan Y= Stock actual yang menghasilkan nilai RSME terbaik pada scenario 3 dengan tingkat akurasi sebesar 90,66%. Dengan nilai RMSE yang terkecil, scenario 3 bisa membuktikan bahwa hasil prediksi untuk stock actual bisa menurunkan tingkat inventaris untuk nilai IL yang berlebih dan menaikkan tingkat inventaris untuk IL yang kurang dari standar

References

Aldi, M. W. P., Jondri, J., & Aditsania, A. 2018. Analisis dan Implementasi Long Short Term Memory Neural Network untuk Prediksi Harga Bitcoin. eProceedings of Engineering, 5(2).

Ashari, M. L., & Sadikin, M. 2020. Prediksi Data Transaksi Penjualan Time Series Menggunakan Regresi Lstm. Jurnal Nasional Pendidikan Teknik Informatika: JANAPATI, 9(1), 1-10.

Atthina, N., & Iswari, L. 2014, June. Klasterisasi data kesehatan penduduk untuk menentukan rentang derajat kesehatan daerah dengan metode k-means. In Seminar Nasional Aplikasi Teknologi Informasi (SNATI) (Vol. 1, No. 1).

Bayangkari Karno, A., 2020. Analisis Data Time Series Menggunakan LSTM (Long Short Term Memory) Dan ARIMA (Autocorrelation Integrated Moving Average) Dalam Bahasa Python. Ultima InfoSys : Jurnal Ilmu Sistem Informasi, 11(1), pp.1-7.

Julian, R., & Pribadi, M. R. 2021. Peramalan Harga Saham Pertambangan Pada Bursa Efek Indonesia (BEI) Menggunakan Long Short Term Memory (LSTM). JATISI (Jurnal Teknik Informatika dan Sistem Informasi), 8(3), 1570-1580.

Sofi, K., Sunge, A. S., Riady, S. R., & Kamalia, A. Z. 2021. PERBANDINGAN ALGORITMA LINEAR REGRESSION, LSTM, DAN GRU DALAM MEMPREDIKSI HARGA SAHAM DENGAN MODEL TIME SERIES. SEMINASTIKA, 3(1), 39-46.

Downloads

Published

2022-07-05

Issue

Vol. 5 No. 1 (2022): JITMI

Section

Articles

License

Authors who publish with this journal agree to the following terms:

    1. Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.

    1. Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.

  1. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).

JITMI : Jurnal Ilmiah Teknik dan Manajemen Industri have CC-BY-SA or an equivalent license as the optimal license for the publication, distribution, use, and reuse of scholarly work.

In developing strategy and setting priorities, JITMI : Jurnal Ilmiah Teknik dan Manajemen Industri  recognize that free access is better than priced access, libre access is better than free access, and libre under CC-BY-SA or the equivalent is better than libre under more restrictive open licenses. We should achieve what we can when we can. We should not delay achieving free in order to achieve libre, and we should not stop with free when we can achieve libre.