Prediksi Permintaan Barang di PT XYZ di Warehouse Jember Menggunakan Algoritma Long Short Term Memory

Abstract

Logistik adalah cara untuk menyimpan, menyalurkan, dan memelihara berbagai item dengan baik. PT XYZ merupakan salah satu perusahaan ritel yang memiliki lebih dari 32 cabang warehouse tesebar di seluruh Indonesia. Salah satunya cabang warehouse Jember, memiliki permasalahan dengan stok yang tidak mencukupi pemenuhan permintaan barang (PB) toko, yang menyebabkan terjadinya hutang PB sehingga berdampak pada performa Service Level (SL) warehouse. Penelitian ini dilakukan untuk memperoleh hasil prediksi PB dan nilai akurasi model. Salah satu metode yang dapat digunakan untuk melakukan prediksi PB yaitu long short term memory (LSTM). Long Short Term Memory (LSTM) merupakan salah satu pengembangan neural network yang dapat digunakan untuk pemodelan data time series. Penelitian ini menggunakan 10 dataset barang untuk diprediksi dari PT XYZ warehouse Jember dari rentang September dan Desember 2023 yang didapat selama kegiatan magang MSIB Batch 5. Dataset yang telah digabungkan per item dilakukan splitting data dengan perbandingan 60% untuk training dan 40% untuk testing. Kemudian menggunakan konfigurasi parameter 2 hiden layer masing-masing neuron 128 dan 32, dengan learning rate 0,01, nilai epochs 150, batch size 8. Untuk mengevaluasi hasil prediksi yang didapat digunakan metode evaluasi root mean squared error (RMSE) dan mean absolute percentage error (MAPE). Hasil penelitian menunjukan bahwa nilai RMSE dan MAPE terkecil adalah 6,38 dan 13,38%. Sedangkan untuk nilai RMSE dan MAPE terbesar adalah 75,98 dan 54,67%. Kemudian untuk hasil rata-rata nilai RMSE dan MAPE dari 10 item yang digunakan dalam penelitian ini adalah 20,4 dan 38,19%.