Industri.umsida.ac.id – Dalam era globalisasi saat ini, perusahaan menghadapi tantangan besar dalam mengelola bahan baku dan memenuhi permintaan pasar yang terus berubah. PT. KLM, perusahaan manufaktur yang memproduksi kerupuk udang, sering menghadapi masalah kekurangan atau kelebihan bahan baku. Untuk mengatasi kendala ini, tim peneliti dari Universitas Muhammadiyah Sidoarjo melakukan studi dengan menerapkan metode Artificial Neural Network (ANN) berbasis algoritma backpropagation untuk memprediksi penjualan kerupuk udang. Penelitian ini bertujuan membantu perusahaan mengelola bahan baku secara lebih efisien melalui peramalan yang akurat.
Pentingnya Peramalan dalam Dunia Usaha
Peramalan atau prediksi adalah proses penting yang digunakan oleh perusahaan untuk memperkirakan kebutuhan di masa depan. Dalam konteks PT. KLM, peramalan diperlukan untuk mengetahui kebutuhan bahan baku, khususnya tepung tapioka, yang menjadi komponen utama dalam produksi kerupuk udang. Fluktuasi penggunaan bahan baku sering kali menyebabkan perusahaan kesulitan dalam merencanakan stok. Ketidakseimbangan ini berpotensi menyebabkan kerugian akibat bahan baku yang kurang atau berlebih.
Dalam penelitian ini, data penjualan kerupuk udang selama empat tahun (Januari 2018 hingga Desember 2021) digunakan sebagai basis analisis. Data ini diproses menggunakan metode ANN yang mampu menghasilkan peramalan lebih akurat dibandingkan metode konvensional, seperti double exponential smoothing Holt. Keunggulan ANN terletak pada kemampuannya mengolah data kompleks dan menghasilkan prediksi jangka panjang yang lebih andal.
Tahapan Penelitian dan Pengolahan Data
Proses penelitian melibatkan beberapa langkah utama, yaitu pengumpulan data, pre-processing data, dan implementasi ANN dengan menggunakan perangkat lunak RapidMiner. Data penjualan kerupuk udang diperoleh dari bagian PPIC (Production Planning and Inventory Control) PT. KLM, yang kemudian diproses untuk menghilangkan nilai kosong (missing values) dan dinormalisasi agar sesuai dengan kebutuhan algoritma.
Selanjutnya, data dibagi menjadi dua kelompok, yaitu data pelatihan (training data) sebesar 70% dan data pengujian (testing data) sebesar 30%. Langkah ini bertujuan untuk melatih jaringan saraf tiruan agar mampu mengenali pola penjualan sebelumnya dan memprediksi penjualan masa depan. Parameter penting yang digunakan meliputi learning rate sebesar 0,26, jumlah siklus pelatihan (epoch) sebanyak 251, dan momentum sebesar 0,397.
Hasil Peramalan dan Tingkat Akurasi
Hasil penelitian menunjukkan bahwa ANN berhasil memprediksi penjualan kerupuk udang selama 12 bulan berturut-turut, dengan hasil sebagai berikut: 3.370, 1.522, 1.545, 1.681, 1.453, 1.737, 1.844, 1.530, 463, 1.515, 1.477, dan 1.514 unit. Tingkat akurasi metode ini sangat baik, dengan nilai Root Mean Square Error (RMSE) sebesar 0,120.
Sebagai perbandingan, metode double exponential smoothing Holt juga digunakan dalam penelitian ini, namun menghasilkan nilai RMSE sebesar 206,19. Hal ini membuktikan bahwa ANN memiliki keunggulan signifikan dalam hal akurasi, menjadikannya pilihan metode peramalan yang lebih unggul untuk kebutuhan bisnis PT. KLM.
Manfaat bagi Perusahaan
Implementasi metode ANN dalam peramalan penjualan memberikan berbagai manfaat bagi PT. KLM, di antaranya:
- Efisiensi Pengelolaan Bahan Baku: Dengan prediksi yang lebih akurat, perusahaan dapat merencanakan pembelian bahan baku sesuai kebutuhan, menghindari kekurangan atau kelebihan stok.
- Penghematan Biaya Operasional: Prediksi yang tepat membantu perusahaan mengurangi biaya penyimpanan bahan baku yang berlebihan dan menghindari kerugian akibat bahan baku yang kadaluarsa.
- Peningkatan Produktivitas: Dengan manajemen stok yang lebih baik, proses produksi dapat berjalan lebih lancar tanpa hambatan akibat keterlambatan pasokan bahan baku.
Tantangan Implementasi dan Solusi
Meskipun ANN menawarkan berbagai keunggulan, implementasinya tidak lepas dari tantangan. Salah satu kendala utama adalah kebutuhan akan data yang berkualitas tinggi. Dalam penelitian ini, pre-processing menjadi langkah penting untuk memastikan data bersih dan siap digunakan. Selain itu, pemilihan parameter yang tepat, seperti learning rate dan jumlah iterasi, juga sangat menentukan hasil akhir.
Untuk menghadapi tantangan ini, perusahaan dapat meningkatkan pengumpulan data yang lebih konsisten dan terstruktur. Pemanfaatan teknologi big data juga dapat membantu dalam menyediakan data yang lebih kaya, sehingga meningkatkan akurasi prediksi. Kerja sama antara tim teknis dan manajemen perusahaan juga penting untuk memastikan implementasi berjalan lancar.
Potensi Pengembangan dan Implementasi Luas
Meskipun hasil penelitian ini sangat memuaskan, masih terdapat ruang untuk pengembangan lebih lanjut. Beberapa langkah yang dapat diambil meliputi:
- Peningkatan Data Training: Pengumpulan data penjualan dalam jangka waktu yang lebih panjang dapat meningkatkan akurasi prediksi.
- Integrasi dengan Sistem ERP: Menghubungkan hasil prediksi dengan sistem manajemen perusahaan seperti ERP (Enterprise Resource Planning) dapat mempermudah pengambilan keputusan berbasis data.
- Penggunaan Teknologi Big Data: Pemanfaatan teknologi big data dapat membantu dalam analisis data yang lebih kompleks dan dinamis.
Selain itu, metode ANN dapat diterapkan untuk memprediksi permintaan produk lain di sektor manufaktur, tidak hanya terbatas pada kerupuk udang. Dengan demikian, penelitian ini memiliki potensi untuk diadopsi oleh perusahaan lain yang menghadapi tantangan serupa.
Kesimpulan
Penelitian ini membuktikan bahwa Artificial Neural Network adalah metode peramalan yang sangat efektif dan akurat, terutama dalam kasus fluktuasi data penjualan seperti yang dialami oleh PT. KLM. Dengan menerapkan ANN, perusahaan dapat meningkatkan efisiensi operasionalnya, menghemat biaya, dan memastikan kelancaran produksi. Ke depan, integrasi teknologi prediksi berbasis AI seperti ANN diharapkan menjadi standar dalam manajemen perusahaan untuk menghadapi persaingan yang semakin ketat di era globalisasi.
Melalui penelitian ini, PT. KLM telah menunjukkan bagaimana teknologi modern dapat menjadi solusi atas permasalahan tradisional dalam industri manufaktur. Inovasi seperti ini tidak hanya membantu perusahaan mengoptimalkan operasionalnya, tetapi juga memberikan gambaran tentang masa depan industri yang semakin bergantung pada teknologi kecerdasan buatan.
Sumber: Analisa Peramalan Penjualan Kerupuk Udang dengan Menggunakan Metode Artificial Neural Network (ANN)
Penulis: Ifa
