<![CDATA[Pengelolaan persediaan suku cadang otomotif menghadapi tantangan kompleks akibat pola permintaan yang fluktuatif, bersifat sporadis, dan tidak sepenuhnya mengikuti pola musiman. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja empat pendekatan peramalan, yaitu Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Hybrid Weighted Ensemble (gabungan SVM dan KNN), serta Seasonal ARIMA (SARIMA). Dataset yang digunakan berasal dari riwayat penjualan suku cadang selama 33 bulan, dengan karakteristik permintaan yang sangat bervariasi antar item.Hasil evaluasi menunjukkan bahwa model KNN memberikan performa terbaik dengan nilai MAE 33,22, RMSE 35,92, MAPE 7,31%, dan sMAPE 7,63%, diikuti oleh SVM dengan MAE 62,36 dan sMAPE 14,84%. Model Hybrid menghasilkan performa menengah, sedangkan SARIMA menunjukkan akurasi terendah dengan sMAPE mencapai 28,23%. Visualisasi tren prediksi memperkuat temuan ini, di mana model berbasis machine learning mampu mengikuti fluktuasi aktual secara lebih konsisten dibandingkan pendekatan statistik klasik. Kebaruan penelitian ini terletak pada penerapan model hybrid yang secara khusus diadaptasikan untuk data permintaan suku cadang otomotif, serta integrasinya dengan teknik feature engineering seperti lag features dan seasonal encoding. Temuan ini merekomendasikan penggunaan pendekatan machine learning, khususnya KNN dan model hybrid, sebagai solusi praktis dalam sistem perencanaan persediaan. Implementasi model ini berpotensi menekan biaya penyimpanan, mengurangi risiko stockout maupun overstock, serta mendukung pengambilan keputusan berbasis data di tingkat operasional dan manajerial.]]>
Copyrights © 2026
