Analisis Kebijakan Persediaan Min-Max dengan Strategi Konsolidasi dan Dukungan Peramalan Permintaan Berbasis Machine Learning pada Perusahaan Distribusi Listrik (Studi Kasus: PT ABC)

Mahardika, Muhammad Surya (2025) Analisis Kebijakan Persediaan Min-Max dengan Strategi Konsolidasi dan Dukungan Peramalan Permintaan Berbasis Machine Learning pada Perusahaan Distribusi Listrik (Studi Kasus: PT ABC). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5010211102-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (11MB) | Request a copy

Abstract

Keterbatasan yang dihadapi oleh perusahaan di sektor distribusi listrik di Indonesia menuntut dilaksanakannya proses bisnis yang optimal. Salah satu perusahaan terkait masih menghadapi berbagai permasalahan, seperti terjadinya kelebihan atau kekurangan stok material serta pola permintaan yang tidak stabil pada beberapa jenis material di wilayah tertentu. Kondisi ini berdampak pada meningkatnya biaya persediaan dan penurunan tingkat kepuasan pelanggan. Salah satu penyebab utama permasalahan tersebut adalah belum optimalnya proses peramalan permintaan dan manajemen persediaan. Penelitian ini bertujuan untuk menganalisis kebijakan persediaan dengan pendekatan min-max dan continuous review, serta strategi konsolidasi melalui simulasi Monte Carlo. Simulasi dilakukan dengan dukungan model peramalan berbasis machine learning, yaitu metode Long Short-Term Memory (LSTM). Hasil penelitian menunjukkan bahwa parameter epoch pada model peramalan memiliki pengaruh yang signifikan terhadap tingkat akurasi. Dengan menggunakan hasil peramalan sebagai input, diperoleh 12 rekomendasi parameter kebijakan persediaan dengan total biaya terendah dan tingkat Service Level yang masih dapat diterima. Dari keseluruhan rekomendasi tersebut, 10 berasal dari skenario konsolidasi penuh dan 2 dari skenario konsolidasi parsial. Temuan ini menunjukkan bahwa strategi konsolidasi yang diterapkan dalam penelitian ini mampu menghasilkan kinerja yang lebih baik dibandingkan pendekatan manajemen persediaan yang sepenuhnya terdesentralisasi.
=========================================================================================================================================
Companies in Indonesia’s electricity distribution sector face limitations that necessitate an optimal business process. One such company continues to experience various issues, such as excess or shortage of material stock and unstable demand patterns for certain types of materials in specific regions. These problems contribute to increased inventory costs and decreased customer satisfaction. A key factor underlying these issues is the suboptimal performance of demand Forecasting and inventory management processes. This study aims to analyze inventory policy using a min-max approach combined with a continuous review system and consolidation strategy through Monte Carlo simulation. The simulation is supported by a machine learning-based Forecasting model, specifically the Long Short-Term Memory (LSTM) method. The results show that the epoch parameter significantly influences Forecasting accuracy. Using the Forecast results as input, the study identifies 12 recommended inventory policy parameter sets with the lowest Total Cost and acceptable Service Level performance. Among these, 10 recommendations are derived from the full consolidation scenario and 2 from partial consolidation. These findings indicate that the proposed consolidation strategy produces more effective outcomes compared to a fully decentralized inventory management approach.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Kebijakan Persediaan, Continuous Review, Strategi Konsolidasi, Peramalan, Long Short-Term Memory, Inventory Policy, Continuous Review, Consolidation Strategy, Forecasting, Long Short-Term Memory
Subjects:	H Social Sciences > HD Industries. Land use. Labor > HD30.27 Business forecasting H Social Sciences > HD Industries. Land use. Labor > HD55 Inventory control Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Industrial Engineering > 26201-(S1) Undergraduate Thesis
Depositing User:	Muhammad Surya Mahardika
Date Deposited:	30 Jul 2025 04:35
Last Modified:	30 Jul 2025 04:35
URI:	http://repository.its.ac.id/id/eprint/123965

Actions (login required)

View Item