<![CDATA[Manajemen rantai pasokan merupakan hal krusial yang dibutuhkan dalam menjaga persediaan suatu produk supaya tetap tersedia selama masa tunggu. Hal ini bertujuan untuk menjaga keberlanjutan suatu bisnis sehingga penjualan produk tersebut tidak terganggu dengan permasalahan kurangnya persediaan. Namun, metode prediksi konvensional seperti ARMA-klasik dan ARMA-GARCH seringkali kurang akurat pada data riil yang bersifat sparse yang didominasi nilai nol dan fluktuatif. Penelitian ini bertujuan untuk menggagas sebuah metode Auto Regressive Moving Average (ARMA) baru yang menggabungkan konsep demand response dengan analisis galat yang bernama Demand Response-ARMA (DR-ARMA). Metode ini dikembangkan melalui tiga tahap, yaitu penurunan matematis berbasis RMSE dan analisis tren, adaptasi model untuk data sparse, dan validasi menggunakan data primer penjualan sparepart filter oli dari CV di Kalimantan Barat selama 60 hari. DR-ARMA mengoptimasi prediksi ARMA berdasarkan pada tren penjualan serta mengontrol ketidakpastian prediksi dengan memanfaatkan analisis galat, supaya kesalahan prediksi dapat berkurang selama perhitungan safety stock. Simulasi numerik dilakukan pada data penjualan filter oli dari sebuah perusahaan yang ada di Kalimantan Barat. Hasil simulasi menunjukkan bahwa metode DR-ARMA dapat memprediksi penjualan filter oli dengan akurasi 80%, lebih tinggi dibandingkan metode prediksi lainnya seperti ARMA-Generalized Auto Regressive Conditional Heteroskedasticity (GARCH) (74%) dan ARMA-klasik (57%). Metode DR-ARMA juga dapat digunakan untuk memprediksikan safety stock untuk 60 hari kedepan dengan tingkat kesalahan prediksi sekitar 17%. Hal ini menunjukkan bahwa metode DR-ARMA cocok digunakan untuk memprediksikan safety stock dari data yang bersifat sparse. Metode DR-ARMA dapat membantu pengguna dalam mengatur jumlah persediaan barang yang dibutuhkan tanpa perlu melakukan pengisian gudang secara berlebihan.]]>
Copyrights © 2025
