PENGEMBANGAN MODEL PREDIKSI STOK BARANG MENGGUNAKAN MACHINE LEARNING

Abstrak

Pengembangan model prediksi stok barang menggunakan machine learning telah menjadi fokus penelitian yang penting dalam bidang manajemen rantai pasokan dan logistik. Dengan pertumbuhan e-commerce dan kompleksitas distribusi barang, kebutuhan akan model yang dapat memprediksi stok barang dengan akurat menjadi semakin mendesak. Penelitian ini bertujuan untuk menyelidiki dan mengembangkan model prediksi stok barang menggunakan berbagai teknik machine learning. Metode penelitian ini mencakup pengumpulan data historis stok barang dari perusahaan e-commerce terkemuka, serta data eksternal seperti cuaca, hari libur, dan tren pasar. Data kemudian dipersiapkan dan dilakukan proses preprocessing untuk membersihkan dan menormalkan data. Fitur-fitur yang relevan diekstraksi dari data, termasuk pola-pola musiman, tren, dan faktor-faktor eksternal yang memengaruhi permintaan. Beberapa model machine learning yang umum digunakan, seperti Random Forests, Gradient Boosting, dan Long Short-Term Memory (LSTM) Networks, diimplementasikan dan dilatih menggunakan data yang telah diproses. Proses pelatihan ini melibatkan penyesuaian parameter-parameter model dan pengoptimalan untuk mencapai performa yang optimal dalam memprediksi stok barang. Hasil eksperimen menunjukkan bahwa model-machine learning yang dikembangkan mampu memprediksi stok barang dengan tingkat akurasi yang tinggi, dengan mempertimbangkan berbagai faktor yang memengaruhi permintaan. Analisis hasil juga menyoroti keunggulan relatif dari masing-masing model dalam mengatasi kompleksitas pola dan faktor-faktor eksternal. Dengan demikian, penelitian ini memberikan kontribusi yang berharga dalam pengembangan model prediksi stok barang yang lebih efektif dan dapat diandalkan menggunakan pendekatan machine learning. Temuan-temuan ini dapat membantu perusahaan e-commerce dan industri lainnya dalam mengelola rantai pasokan dengan lebih efisien dan responsif terhadap perubahan pasar.