Peramalan Permintaan Suku Cadang Menggunakan Metode Long Short-Term Memory (LSTM) Dan Support Vector Regression (SVR) (Studi Kasus: Kalla Toyota)

Abstract

Perkembangan industri yang pesat selama beberapa tahun terakhir telah menunjukkan peningkatan yang signifikan dalam permintaan pasar. Perusahaan harus mampu mengantisipasi dan merespons fluktuasi permintaan pasar yang dapat terjadi dari waktu ke waktu. Fluktuasi permintaan suku cadang telah dirasakan oleh Kalla Toyota, dimana permintaan terhadap suku cadang setiap bulannya mengalami perubahan naik dan turun. Pengelolaan data permintaan suku cadang di Kalla Toyota menjadi sebuah tantangan besar mengingat volume yang sangat besar dan beragam jenisnya. Maka dari itu perlu dilakukan peramalan permintaan suku cadang agar pengambilan keputusan dapat lebih efektif dan efisien sehingga kebutuhan pelanggan suku cadang Toyota dapat terpenuhi. Penelitian ini bertujuan untuk mengembangkan model peramalan permintaan untuk 21 jenis suku cadang di Kalla Toyota berbasis machine learning agar dapat membantu Kalla Toyota dalam melakukan peramalan. Pengembangan model dibagi menjadi dua. Model 1 dibangun dengan LSTM sedangkan Model 2 dibangun dengan SVR. Hasil peramalan menggunakan Model 1 akan dibandingkan dengan hasil peramalan menggunakan Model 2 menggunakan uji error MAE dan RMSE dari hasil peramalan. Hasil dari penelitian ini adalah Model 1 lebih baik dalam meramalkan data permintaan suku cadang Pad Kit, Cover, Injector Cleaner, TGMO, Brake Cleaner, Oil Filter, Absorber, Gear Assy, Element Sa Oil Filter, Carbon Cleaner, Dan Mirror. Model 2 lebih baik dalam meramalkan data permintaan suku cadang TMO, Lamp, Batery, TGGO, Bearing, Engine Flush, Glass, Gasket, Cylinder, dan Disc Assy.