Peramalan permintaan berdasarkan random forest regression untuk pengendalian persediaan menggunakan economic order quantity dan wagner-whitin pada umkm makanan
Info Katalog
File Repositori
Penerbit : FTI - Usakti
Kota Terbit : Jakarta
Tahun Terbit : 2026
Pembimbing 1 : Iveline Anne Marie
Pembimbing 2 : Dian Mardi Safitri
Subyek : Ensemble learning (Machine learning)
Kata Kunci : Forecasting; Machine Learning; Inventory Control; Economic order quantity; wagner whitin.
Status Posting : Published
Status : Lengkap
File Repositori
| No. | Nama File | Hal. | Link |
|---|---|---|---|
| 1. | 2026_SK_STI_063002200039_Halaman-Judul.pdf | 15 | |
| 2. | 2026_SK_STI_063002200039_Surat-Pernyataan-Revisi-Terakhir.pdf | ||
| 3. | 2026_SK_STI_063002200039_Surat-Hasil-Similaritas.pdf | ||
| 4. | 2026_SK_STI_063002200039_Halaman-Pernyataan-Persetujuan-Publikasi-Tugas-Akhir-untuk-Kepentingan-Akademis.pdf | 1 | |
| 5. | 2026_SK_STI_063002200039_Lembar-Pengesahan.pdf | 2 | |
| 6. | 2026_SK_STI_063002200039_Pernyataan-Orisinalitas.pdf | 1 | |
| 7. | 2026_SK_STI_063002200039_Formulir-Persetujuan-Publikasi-Karya-Ilmiah.pdf | 1 | |
| 8. | 2026_SK_STI_063002200039_Bab-1-Pendahuluan.pdf | ||
| 9. | 2026_SK_STI_063002200039_Bab-2-Landasan-Teori.pdf |
|
|
| 10. | 2026_SK_STI_063002200039_Bab-3-Metodologi-Penelitian.pdf |
|
|
| 11. | 2026_SK_STI_063002200039_Bab-4-Analisis-dan-Pembahasan.pdf |
|
|
| 12. | 2026_SK_STI_063002200039_Bab-5-Kesimpulan-dan-Saran.pdf | ||
| 13. | 2026_SK_STI_063002200039_Daftar-Pustaka.pdf | ||
| 14. | 2026_SK_STI_063002200039_Lampiran.pdf |
|
P Persediaan bahan baku merupakan salah satu faktor penting yang memengaruhi kelancaran proses produksi dan efisiensi operasional pada industri makanan. ketidakpastian permintaan sering menyebabkan kelebihan maupun kekurangan persediaan yang berdampak pada meningkatnya biaya persediaan. penelitian ini bertujuan mengembangkan pendekatan terintegrasi antara peramalan permintaan dan pengendalian persediaan dengan mengombinasikan metode random forest regression dan wagner-whitin. data historis penjualan digunakan untuk membangun model peramalan permintaan, kemudian hasil peramalan dimanfaatkan sebagai dasar dalam analisis pengendalian persediaan. kinerja model dievaluasi menggunakan mean absolute error (mae), root mean squared error (rmse), mean absolute percentage error (mape), dan koefisien determinasi (r²). hasil penelitian menunjukkan bahwa random forest regression mampu menghasilkan kinerja peramalan yang baik dengan nilai mae sebesar 6,34, rmse sebesar 12,78, mape sebesar 17,09%, dan r² sebesar 0,9574. hasil peramalan selanjutnya digunakan untuk menentukan kebijakan persediaan yang optimal. perbandingan metode menunjukkan bahwa wagner-whitin menghasilkan total biaya persediaan terendah dibandingkan metode economic order quantity (eoq) dan sistem yang diterapkan saat ini. pada varian abon ayam, penerapan wagner-whitin mampu menurunkan biaya persediaan sebesar 43,03%, sedangkan pada varian coklat mesis penurunan biaya mencapai 48,70%. temuan ini menunjukkan bahwa integrasi peramalan berbasis machine learning dengan pengendalian persediaan dapat meningkatkan efisiensi biaya serta mendukung pengambilan keputusan persediaan yang lebih efektif. penelitian ini juga berkontribusi terhadap pencapaian sdg 12 (responsible consumption and production) melalui pengelolaan bahan baku yang lebih efisien sehingga potensi pemborosan dapat dikurangi, serta sdg 8 (decent work and economic growth) karena membantu umkm meningkatkan efisiensi operasional, mengendalikan biaya persediaan, serta memperkuat keberlanjutan usaha dalam menghadapi fluktuasi permintaan.
R Raw material inventory is one of the key factors affecting the continuity of production processes and operational efficiency in the food industry. demand uncertainty often causes overstocking or stock shortages, leading to increased inventory costs. this study aims to develop an integrated approach to demand forecasting and inventory control by combining random forest regression and the wagner-whitin method. historical sales data were used to build a demand forecasting model, and the forecasting results served as input for inventory control analysis. model performance was evaluated using mean absolute error (mae), root mean squared error (rmse), mean absolute percentage error (mape), and the coefficient of determination (r²). the forecasting model achieved satisfactory performance, with an mae of 6.34, an rmse of 12.78, a mape of 17.09%, and an r² of 0.9574. the forecasted demand was then used to determine the optimal inventory policy. the comparison results indicate that the wagner-whitin method generated the lowest total inventory cost compared with the eoq method and the existing inventory system. for the chicken floss variant, the wagner-whitin method reduced inventory costs by 43.03%, while for the chocolate mesis variant, the cost reduction reached 48.70%. these findings demonstrate that integrating machine learning-based forecasting with inventory control improves cost efficiency and supports more effective inventory decision-making. this research also contributes to achieving sdg 12 (responsible consumption and production) through more efficient raw material management, thereby reducing potential waste. it also supports sdg 8 (decent work and economic growth) by helping msmes improve operational efficiency, control inventory costs, and strengthen business sustainability in the face of demand fluctuations.
Info Koleksi Skripsi
Universitas
Fakultas
- FH (2394)
- FEB (7747)
- FK (2100)
- FKG (4020)
- FTSP (1183)
- FTI (4148)
- FTKE (2619)
- FALTL (1979)
- FSRD (807)