Analisis Kinerja Peramalan dan Klasifikasi Permintaan Auto Parts Berbasis Data Mining

Abstract

Kontribusi after sales service yang besar terhadap profit dan pertumbuhan bisnis menyebabkan spare part management menjadi faktor yang penting untuk bersaing di pasar. Termasuk bagi PT. X, produsen mobil penumpang dengan market share terbesar secara global di tahun 2019. Berbagai upaya spare part management telah dilakukan PT. X untuk memenuhi kebutuhan part domestik maupun ekspor. Salah satu upayanya adalah melakukan perencanaan produksi bulanan (Getsudo), termasuk peramalan permintaan spare part setiap bulannya, akan tetapi, metode peramalan Moving Average, yang saat ini digunakan untuk semua spare part di PT. X, kurang efektif pada beberapa pola permintaan spare part yang variasinya tinggi. Penyimpangan pada hasil peramalan berdampak pada lead time back order dan biaya material handling yang semakin besar. Berdasarkan hal tersebut, maka PT. X memerlukan perbaikan terhadap sistem peramalan spare part-nya. Penelitian ini memiliki dua tujuan utama. Tujuan pertama adalah mengusulkan metode klasifikasi spare part berdasarkan pola permintaannya sebelum diramalkan. Tujuan kedua adalah menentukan metode peramalan yang paling sesuai untuk masing-masing kelompok spare part dengan cara membandingkan empat metode peramalan, yaitu: Croston, Modifikasi Croston, SVR, dan ANN. Seluruh metode peramalan dibandingkan berdasarkan parameter forecasting error dan robustness. Hasil penelitian ini menunjukkan bahwa metode SVR memiliki kinerja yang lebih unggul dari metode lainnya di tahap training maupun testing. Selain itu, ketika diimplementasikan untuk peramalan multi-periode, metode SVR juga lebih unggul dan dapat memperbaiki kesalahan peramalan sebesar 19% dari metode peramalan yang saat ini digunakan oleh PT. X.