<![CDATA[Dalam teori, parameter dan distribusi permintaan diketahui, tetapi dalam praktiknya, berbagai ketidakpastian membuatnya sulit untuk menentukan faktor-faktor ini, terutama karena permintaan yang sporadis dan tidak terduga. Permintaan untuk produk oil country tubular goods (OCTG) bersifat fluktuatif dan tidak teratur, dan persediaan keselamatan adalah strategi umum untuk mengelola ketidakpastian pasokan dan permintaan. Ada beberapa metode yang tersedia untuk meramalkan permintaan yang tidak teratur, seperti model statistik, deret waktu, Croston, dan metode deep learning. Penelitian ini menggunakan metode long short-term memory (LSTM) untuk meramalkan permintaan OCTG dan membandingkannya dengan metode autoregressive integrated moving average (ARIMA), dengan menggunakan data penjualan dari periode tertentu. Untuk menilai akurasi ramalan, tingkat kesalahan dihitung, termasuk mean square error (MSE), root mean square error (RMSE), dan mean absolute error (MAE). Meskipun baik metode LSTM maupun ARIMA tidak memberikan hasil yang memuaskan dengan menggunakan data penjualan harian, data penjualan bulanan menghasilkan hasil yang lebih baik. Dengan menggunakan data 6 bulan, baik LSTM maupun ARIMA menghasilkan hasil yang relatif baik, dengan LSTM menunjukkan kesalahan yang lebih kecil daripada ARIMA. Mengingat waktu pembelian pipa hijau dari pemasok sekitar 5 bulan, data kumulatif terbatas pada 6 bulan. Berdasarkan hasil penelitian, metode LSTM dapat digunakan untuk meramalkan permintaan produk OCTG dan menentukan tingkat persediaan keselamatan yang diperlukan.]]>
Copyrights © 2023
