Sani, Muzzaki (2019) Analisis Peramalan Permintaan Produk Fast Moving Consumer Goods Menggunakan Metode Artificial Neural Network. Sarjana thesis, Universitas Brawijaya.
Abstract
PT. Siantar Top, Tbk adalah salah satu perusahaan yang bergerak di sektor Fast Moving Consumer Goods (FMCG) Indonesia. Perusahaan yang bergerak di sektor fast moving consumer goods memiliki peran yang sangat penting dalam memenuhi kebutuhan masyarakat sehari-hari dikarenakan produk FMCG adalah produk dengan perputaran yang cepat di pasar. PT. Siantar Top, Tbk memproduksi produk-produk FMCG jenis makanan dalam kemasan yang banyak dijumpai di pasar. Selain menjaga kualitas produk, perusahaan juga harus menjaga ketersediaan produk di pasar. Dalam usaha menjaga ketersediaan produk di pasar, diperlukan perencanaan produksi yang diawali dengan peramalan permintaan terhadap masing-masing produk. Namun peramalan permintaan produk yang dilakukan oleh perusahaan memiliki nilai error yang tinggi sehingga seringkali dilakukan riview atau perubahan perencanaan produksi. Oleh karena itu, penelitian ini dilakukan dengan tujuan untuk menurunkan nilai error peramalan serta membangun model peramalan yang sesuai. Metode peramalan permintaan yang digunakan pada penelitian ini adalah Artificial Neural Network (ANN). Penelitian diawali dengan identifikasi variabel input dan output yang diperoleh dari studi literatur dan diskusi dengan bagian Production Planning and Inventory Control (PPIC) perusahaan. Variabel input atau faktor yang digunakan pada penelitian ini adalah jumlah penduduk, Produk Domestik Bruto (PDB) perkapita, pengeluaran konsumsi rumah tangga, dan jumlah permintaan aktual bulan sebelumnya. Selanjutnya dilakukan pembangunan model arsitektur Artificial Neural Network. Kemudian dilakukan pengumpulan data dan normalisasi terhadap data tersebut. Tahap selanjutnya dilakukan pelatihan terhadap pola data dan evaluasi hasil pelatihan tersebut untuk memilih kombinasi parameter pelatihan yang terbaik. Kombinasi parameter pelatihan yang terpilih kemudian digunakan pada tahap implementasi pola prediksi. Hasil peramalan kemudian dilakukan denormalisasi untuk mengubah nilai ke skala awal. Hasil dari penelitian ini adalah model arsitektur Artificial Neural Network untuk masing masing produk yang dapat menurunkan tingkat error dibandingkan hasil peramalan permintaan perusahaan. Untuk produk A, peramalan Artificial Neural Network yang telah dilakukan dapat menurunkan rata-rata error (MAPE) menjadi 5,682 % dari MAPE peramalan perusahaan sebesar 18,275 %. Untuk produk B, ANN dapat menurunkan MAPE menjadi 5,509 % dari MAPE peramalan perusahaan sebesar 18,060 %. Untuk produk C, ANN dapat menurunkan rata-rata error menjadi 1,242 % dari MAPE peramalan perusahaan sebesar 12,469 %.
English Abstract
PT. Siantar Top, Tbk is a company that engaged in the Fast Moving Consumer Goods (FMCG) sector in Indonesia. PT. Siantar Top, Tbk produces packaged food that is well known in the market. Therefore the company must maintain product availability on the market. In order to maintain the availability of product on the market has an important role as well as guarantee the quality of the product. However, the existing forecasting product demand carried out by the company has a high error value, causing many changes in production planning. This research was conducted to reduce the forecast error value and build an appropriate forecasting model. The demand forecasting method used in this research is Artificial Neural Network (ANN). The first step in this research is the identification of input and output variables obtained from literature studies and discussions with the production planning and inventory control in the company. The input variables used in this research are population, per capita Gross Domestic Product (GDP), household consumption expenditure, and the number of actual demand in the previous month. The second step is the construction of an Artificial Neural Network architecture model. Furthermore, it is followed by data collection and normalization of the data. The third step is training the data patterns and evaluating the results of the training to choose the best combination of training parameters. The fourth step is the selected combination training parameters is used at the stage of implementation of the prediction pattern. The last step is denormalization of the forecast result to change the value to the initial scale. The results of this research are Artificial Neural Network architectural models for each product that can reduce error rates compared to the existing forecasting product demand carried out by the company. The forecasting used Artificial Neural Network for product A can reduce the average error (MAPE) to 5,682 % of the company's forecasting MAPE by 18,275 %. Moreover, the ANN can reduce MAPE to 5,509% compared to the company's forecasting MAPE by 18,060 % for product B. Other than, the average error (MAPE) of product C can be reduced to 1,242 % compared to the company's forecasting MAPE by 12,469 %.
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FT/2019/434/051905030 |
| Uncontrolled Keywords: | analisis peramalan, artificial neural network, fast moving consumer goods artificial neural network, fast moving consumer goods, forecasting analysis |
| Subjects: | 600 Technology (Applied sciences) > 658 General management > 658.8 Managemet of marketing > 658.83 Market research |
| Divisions: | Fakultas Teknik > Teknik Industri |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 13 Nov 2020 05:04 |
| Last Modified: | 13 Nov 2020 05:04 |
| URI: | http://repository.ub.ac.id/id/eprint/170992 |
Actions (login required)
 |
View Item |