Usulan Perencanaan Persediaan Produk FMCG Menggunakan Metode Algoritma Apriori dan Jaringan Syaraf Tiruan (JST) pada PT Borwita Indah
Proposed FMCG Product Inventory Planning Using the Apriori Algorithm Method and Artificial Neural Network (ANN) at PT Borwita Indah
DOI:
https://doi.org/10.26593/jrsi.v13i2.7015.29-44Kata Kunci:
Persediaan, Peramalan, Permintaan, Apriori, Jaringan Syaraf TiruanAbstrak
Permasalahan yang dihadapi PT Borwita Indah yaitu terjadinya overstock maupun understock pada produk FMCG. Penelitian ini bertujuan untuk mengetahui perencanaan persediaan produk FMCG dengan faktor terkait yaitu hasil penjualan, stok barang jadi, serta dapat memprediksi dengan tepat sehingga tidak terjadinya penumpukan produk di gudang. Penelitian ini menggunakan algoritma apriori untuk pengambilan data dengan aturan asosiatif (association rule) yang dilakukan melalui mekanisme perhitungan support dan confidence dan jaringan saraf tiruan untuk metode peramalan yang memiliki tingkat error data yang cukup rendah dan cukup baik dalam proses generalisasi sehingga model ini mampu untuk meramalkan data time series untuk beberapa periode waktu ke depan. Itemset data pattern yang diperoleh menghasilkan tingkat kepercayaan pada produk Head&Shoulders dengan produk Pantene sebesar 90,9%, serta tingkat kepercayaan Pantene dengan produk Head&Shoulders sebesar 90,9%. Sementara itu, tingkat kepercayaan untuk produk Vicks dengan Head&Shoulders mencapai 100%. Hasil peramalan untuk 12 periode ke depan untuk masing-masing produk Pantene, Head&Shoulders, dan Vicks memiliki trend peramalan yang fluktuatif sehingga dapat diperhitungkan safety stocknya. Jumlah safety stock yang harus ada pada perusahaan adalah 504 pcs produk Pantene per hari, produk Head&Shoulders 49 pcs per harinya, produk Vicks 35 pcs. Diharapkan dengan adanya penelitian ini perusahaan dapat melakukan pengendalian persediaan produk yang optimal.
Referensi
Amalia, T., Septiadi, M., Rafly, R., & Pranata, J. (2020). Analisis Perencanaan dan Pengendalian Produksi untuk Mengoptimumkan Biaya Produksi Ragum. Jurnal Talenta, 3(2), 265–272.
Badrul, M., Studi, P., & Informasi, S. (2016). Algoritma Asosiasi dengan Algoritma Apriori untuk Analisa Data Penjualan. Jurnal Pilar Nusa Mandiri, XII, 121–129.
Basuki. (2016). Optimasi Ukuran Pemesanan Lot Yang Ekonomis pada Permintaan Deterministik Dinamis Menggunakan Algoritma Wagner-Within. Industrial Engineering Journal, 5(1), 29–34.
Bilaffayza, E. S., Wahyudin, W., & Herwanto, D. (2023). Peramalan Permintaan Metode Moving Average dan Linier Regression dalam Memprediksi Produksi Produk Disc Brake K93 (Studi Kasus PT United Steel Center Indonesia). 10.
Indriyani, F., & Irfiani, E. (2019). Clustering Data Penjualan pada Toko Perlengkapan Outdoor Menggunakan Metode K-Means. JUITA : Jurnal Informatika, 7(2), 109.
Kurniawan, V. (2022). Analisis Persediaan Bahan Baku Pasir Besidi PT Semen Baturaja. Multidisipliner Kapalamada, 1(3), 406–411.
Kusrini & Luthfi, E. T. (2009). Algoritma Data Mining (T. A. Prabawati (ed.)). CV Andi Offset.
Mira Febrina, Faula Arina, R. E. (2013). Peramalan Jumlah Permintaan Produksi Menggunakan Jaringan Saraf Tiruan Algoritma Backpropagation. Jurnal Teknik Industri, 1(2), 174–179.
Nasution, A. H., & Prasetyawan, Y. (2008). Perencanaan dan Pengendalian Produksi. Graha Ilmu.
Rohana, B., Purba, B., & Ginting, G. L. (2018). Implementasi Algoritma Apriori untuk mencari Relasi pada Transaksi Pembelian Alat-Alat Kesehatan (Studi Kasus: RS. ESTOMIHI). 5.
Sri Kusumadewi. (2004). Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB & EXCEL LINK. Yogyakarta: Graha Ilmu.
Thoriq, M. (2022). Peramalan Jumlah Permintaan Produksi Menggunakan Jaringan Saraf Tiruan Algoritma Backpropagation. Jurnal Informasi Dan Teknologi, 1(2), 27–32.
Windarto, Agus Perdana, D. (2020). Jaringan Saraf Tiruan: Algoritma Prediksi dan Implementasi (J. Simarmata (ed.); (Cetakan 1). Yayasan Kita Menulis.
