ARTIFICIAL NEURAL NETWORK UNTUK OPTIMASI SAFETY STOCK PERSEDIAAN INNER SEPATU PADA PT. SHOU FONG LASTINDO

Penelitian ini bertujuan untuk mengoptimalkan prediksi permintaan dan perhitungan safety stock dengan menerapkan metode Artificial Neural Network (ANN) yang dikombinasikan dengan klasterisasi data time series. Data permintaan historis diklasifikasikan ke dalam dua klaster berdasarkan kemiripan pola, yaitu jenis produk Inner Clack dan Inner Goint. Setiap klaster kemudian dilatih menggunakan model ANN secara terpisah untuk meningkatkan spesifisitas dan akurasi prediksi. Evaluasi performa model dilakukan menggunakan metrik Mean Absolute Percentage Error (MAPE) terhadap data out-sample. Hasilnya menunjukkan bahwa model ANN mampu memberikan akurasi yang baik, dengan MAPE terbaik sebesar 10,55% untuk klaster pertama dan 10,78% untuk klaster kedua. Hasil prediksi dari masing-masing model digunakan dalam perhitungan safety stock berdasarkan pendekatan probabilistik, yang memperhitungkan nilai MAPE dan tingkat layanan (service level) sebesar 96% atau setara dengan Z-score 1,75. Perhitungan safety stock dilakukan untuk masing-masing bulan dalam satu tahun ke depan, sehingga diperoleh total stok disarankan yang mampu mengantisipasi ketidakpastian permintaan. Hasil penelitian menunjukkan bahwa integrasi ANN dan klasterisasi time series dapat meningkatkan ketepatan prediksi serta efisiensi dalam pengelolaan persediaan. Pendekatan ini dapat diterapkan sebagai sistem pendukung keputusan dalam perencanaan persediaan gudang yang lebih adaptif dan responsif terhadap dinamika permintaan.
Penelitian ini bertujuan untuk mengoptimalkan prediksi permintaan dan perhitungan safety stock dengan menerapkan metode Artificial Neural Network (ANN) yang dikombinasikan dengan klasterisasi data time series. Data permintaan historis diklasifikasikan ke dalam dua klaster berdasarkan kemiripan pola, yaitu jenis produk Inner Clack dan Inner Goint. Setiap klaster kemudian dilatih menggunakan model ANN secara terpisah untuk meningkatkan spesifisitas dan akurasi prediksi. Evaluasi performa model dilakukan menggunakan metrik Mean Absolute Percentage Error (MAPE) terhadap data out-sample. Hasilnya menunjukkan bahwa model ANN mampu memberikan akurasi yang baik, dengan MAPE terbaik sebesar 10,55% untuk klaster pertama dan 10,78% untuk klaster kedua. Hasil prediksi dari masing-masing model digunakan dalam perhitungan safety stock berdasarkan pendekatan probabilistik, yang memperhitungkan nilai MAPE dan tingkat layanan (service level) sebesar 96% atau setara dengan Z-score 1,75. Perhitungan safety stock dilakukan untuk masing-masing bulan dalam satu tahun ke depan, sehingga diperoleh total stok disarankan yang mampu mengantisipasi ketidakpastian permintaan. Hasil penelitian menunjukkan bahwa integrasi ANN dan klasterisasi time series dapat meningkatkan ketepatan prediksi serta efisiensi dalam pengelolaan persediaan. Pendekatan ini dapat diterapkan sebagai sistem pendukung keputusan dalam perencanaan persediaan gudang yang lebih adaptif dan responsif terhadap dinamika permintaan.