Model Prediksi Permintaan Produk Berbasis Big Data Analytics untuk Pengendalian Persediaan Multi-Produk

Abstract

Abstrak: Penelitian ini bertujuan mengembangkan model prediksi permintaan produk berbasis Big Data Analytics untuk meningkatkan efektivitas pengendalian persediaan multi-produk. Permasalahan utama terletak pada rendahnya akurasi metode prediksi tradisional dalam menangani data kompleks dan dinamika permintaan yang tinggi. Penelitian ini menggunakan pendekatan kuantitatif berbasis data-driven dengan memanfaatkan data historis penjualan, perilaku konsumen, serta faktor eksternal seperti musim dan promosi. Model yang dikembangkan mengintegrasikan metode statistik, machine learning, dan deep learning dalam kerangka hybrid untuk menangkap pola linear dan non-linear secara simultan. Tahapan penelitian meliputi pengumpulan data, preprocessing, feature engineering, pelatihan model, serta evaluasi menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE). Selain itu, teknik ensemble learning dan clustering diterapkan untuk meningkatkan akurasi dan stabilitas model. Hasil penelitian menunjukkan bahwa model hybrid berbasis Big Data Analytics mampu menghasilkan prediksi dengan tingkat akurasi lebih tinggi dibandingkan model tunggal. Model ini juga mampu menangkap interdependensi antar produk dalam sistem multi-produk secara lebih efektif. Integrasi hasil prediksi dengan kebijakan pengendalian persediaan seperti safety stock dan reorder point menunjukkan peningkatan efisiensi operasional melalui penurunan risiko overstock dan stockout. Selain itu, sistem yang dikembangkan mampu merespons perubahan permintaan secara lebih cepat dan adaptif. Penelitian ini memberikan kontribusi dalam pengembangan model prediksi yang tidak hanya akurat, tetapi juga aplikatif dalam mendukung pengambilan keputusan inventory di era digital.

Abstract: This study aims to develop a product demand forecasting model based on Big Data Analytics to improve the effectiveness of multi-product inventory control. The main problem lies in the low accuracy of traditional forecasting methods in handling complex data and high demand variability. This study employs a quantitative, data-driven approach by utilizing historical sales data, consumer behavior, and external factors such as seasonality and promotions. The proposed model integrates statistical methods, machine learning, and deep learning within a hybrid framework to simultaneously capture linear and non-linear patterns. The research stages include data collection, preprocessing, feature engineering, model training, and evaluation using Mean Absolute Error (MAE) and Root Mean Square Error (RMSE). In addition, ensemble learning and clustering techniques are applied to enhance model accuracy and stability. The results indicate that the hybrid model based on Big Data Analytics produces higher prediction accuracy compared to single models. The model effectively captures interdependencies among products within a multi-product system. The integration of forecasting results with inventory control policies, such as safety stock and reorder point, improves operational efficiency by reducing the risks of overstock and stockouts. Furthermore, the developed system responds more quickly and adaptively to demand fluctuations. This study contributes to the development of forecasting models that are not only accurate but also practical in supporting inventory decision-making in the digital era.