Industri.umsida.ac.id – Industri manufaktur dan UMKM, seperti UD. XYZ yang memproduksi kerupuk pasir, sering kali menghadapi tantangan besar dalam meramalkan penjualan. Fluktuasi permintaan menyebabkan dua masalah utama: kelebihan stok bahan baku, yang berdampak pada pemborosan, dan kekurangan stok, yang menghambat produksi. Kedua kondisi ini dapat memengaruhi keuntungan dan efisiensi perusahaan.
Melalui penelitian yang dilakukan oleh Universitas Muhammadiyah Sidoarjo (UMSIDA), solusi berbasis kecerdasan buatan, yaitu Artificial Neural Network (ANN), dirancang untuk membantu memprediksi penjualan secara lebih akurat. Metode ini juga dibandingkan dengan teknik tradisional, yaitu Double Exponential Smoothing Holts, guna menentukan pendekatan terbaik dalam mengatasi permasalahan ini.
Pendekatan Kuantitatif dan Kualitatif
Penelitian ini menggunakan data penjualan kerupuk pasir selama empat tahun enam bulan (Januari 2019–Juni 2023). Data tersebut diolah menggunakan perangkat lunak RapidMiner untuk membangun model ANN dan Double Exponential Smoothing Holts.
Tahapan penelitian meliputi:
- Normalisasi Data: Data dinormalisasi ke dalam rentang nilai 0-1 untuk memastikan stabilitas model ANN.
- Pembagian Data: Data dibagi menjadi 70% untuk pelatihan (training) dan 30% untuk pengujian (testing).
- Pengujian Model: Hasil peramalan dievaluasi menggunakan Root Mean Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE) sebagai metrik akurasi.
Langkah Utama ANN:
- Data dilatih menggunakan arsitektur jaringan syaraf yang terdiri dari lapisan input, lapisan tersembunyi, dan lapisan output.
- Model ANN dioptimalkan menggunakan parameter seperti learning rate, momentum, dan iterasi maksimum sebanyak 500.
ANN Memberikan Akurasi Tinggi
Hasil penelitian menunjukkan bahwa metode ANN jauh lebih unggul dibandingkan Double Exponential Smoothing Holts dalam memprediksi penjualan:
- Hasil Peramalan ANN:
- ANN menghasilkan nilai RMSE sebesar 0,118, menunjukkan tingkat kesalahan yang sangat rendah.
- Model ini memprediksi tren penurunan penjualan pada periode Juli 2023 hingga Juni 2024, dengan rata-rata penjualan bulanan sekitar 400–600 unit.
- Hasil Peramalan Double Exponential Smoothing Holts:
- Metode tradisional ini menghasilkan RMSE sebesar 11,639, menunjukkan kesalahan yang jauh lebih besar.
- Akurasi yang rendah membuat metode ini kurang dapat diandalkan untuk pola data yang fluktuatif.
- Perbandingan Akurasi:
- Dengan kesalahan yang jauh lebih kecil, ANN terbukti lebih mampu menangkap pola perubahan penjualan, memberikan hasil prediksi yang lebih mendekati data aktual.
Implikasi dan Rekomendasi
Penelitian ini memberikan rekomendasi praktis bagi UMKM seperti UD. XYZ untuk mengelola inventaris dan meningkatkan efisiensi operasional:
- Implementasi Model ANN:
- Dengan akurasi yang tinggi, model ANN dapat membantu perusahaan meramalkan kebutuhan bahan baku dengan lebih tepat, sehingga mengurangi risiko penumpukan atau kekurangan stok.
- Pengembangan Sistem Terintegrasi:
- Integrasi ANN dengan perangkat lunak manajemen inventaris dapat mempercepat pengambilan keputusan terkait pengadaan dan distribusi bahan baku.
- Penggunaan Data Eksternal:
- Penelitian lanjutan dapat mengintegrasikan data eksternal, seperti tren pasar dan pola musiman, untuk meningkatkan akurasi prediksi.
- Manfaat bagi UMKM:
- Selain efisiensi operasional, penerapan ANN juga mendukung keberlanjutan usaha dengan meminimalkan pemborosan sumber daya dan meningkatkan kepuasan pelanggan.
Solusi Masa Depan untuk Peramalan Penjualan
Melalui penelitian ini, Universitas Muhammadiyah Sidoarjo menunjukkan bagaimana teknologi canggih seperti ANN dapat merevolusi peramalan penjualan. Dengan tingkat akurasi yang tinggi, ANN memberikan solusi praktis untuk tantangan yang dihadapi UMKM dalam mengelola bahan baku dan produksi. Model ini tidak hanya membantu perusahaan seperti UD. XYZ, tetapi juga dapat diadopsi oleh berbagai sektor industri untuk meningkatkan efisiensi dan daya saing mereka.
Sumber: Revolusi Penjualan Jaringan Syaraf Mengungguli Perataan Eksponensial, Freepik
Penulis: Ifa
