Usulan Peramalan Permintaan Mobil Premium untuk Minimasi Biaya Persediaan Menggunakan Metode Support Vector Regression (SVR) Dioptimasi Grey Wolf Optimization (GWO)
Abstract
PT XYZ merupakan perusahaan otomotif mobil premium di Indonesia yang menghadapi permasalahan tingginya aging stock akibat rendahnya akurasi peramalan penjualan. Metode peramalan eksisting memiliki nilai Mean Absolute Percentage Error (MAPE) di atas 20%, yang berdampak pada peningkatan biaya persediaan sebesar 7,28%. Penelitian ini mengusulkan model peramalan permintaan multivariat menggunakan Support Vector Regression (SVR) yang dioptimasi dengan Grey Wolf Optimization (GWO), dengan seleksi fitur dilakukan melalui Grey Relational Analysis (GRA). Variabel input yang digunakan meliputi pertumbuhan Produk Domestik Bruto (PDB), nilai tukar USD/IDR, Indeks Harga Konsumen (IHK/CPI), dan Indeks Kepercayaan Konsumen (IKK).Data yang digunakan merupakan data time series bulanan periode Januari 2021 hingga Desember 2023. Dataset dibagi menjadi data latih dan data uji, kemudian dilakukan normalisasi sebelum proses pemodelan. Kinerja model dievaluasi menggunakan Mean Squared Error (MSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), serta koefisien determinasi (R²). Hasil seleksi fitur menggunakan GRA menunjukkan bahwa variabel makroekonomi berpengaruh signifikan terhadap permintaan, dengan Indeks Harga Konsumen dan nilai tukar USD/IDR sebagai variabel yang paling dominan. Parameter optimal SVR yang diperoleh melalui optimasi GWO, yaitu C = 125,017365 dan γ = 10,000, mampu meningkatkan kemampuan model dalam menangkap pola non-linear pada data penjualan. Hasil evaluasi menunjukkan bahwa model SVR–GWO menghasilkan kinerja peramalan yang lebih unggul dengan nilai MAPE sebesar 11,57% dan koefisien determinasi (R²) sebesar 0,6502, Implementasi hasil peramalan menggunakan model usulan mampu menekan Total Inventory Cost (TIC) menjadi 5,707,958,759. dan mendekati kondisi biaya persediaan optimal perusahaan. Dengan demikian, model SVR–GWO tervalidasi secara empiris sebagai alat bantu pengambilan keputusan untuk meningkatkan akurasi peramalan permintaan serta meminimalkan Biaya Persediaan pada PT XYZ.
Kata kunci—Peramalan Permintaan, Biaya Persediaan, Support Vector Regression, Grey Wolf Optimization
References
R. J. Hyndman and G. Athanasopoulos, Forecasting: Principles and Practice, 2nd ed. OTexts, 2018.
J. Heizer, B. Render, and C. Munson, Operations Management: Sustainability and Supply Chain Management, 12th ed. Pearson Education, 2017.
S. Chopra and P. Meindl, Supply Chain Management: Strategy, Planning, and Operation, 6th ed. Pearson Education Limited, 2016.
G. Ghiani, G. Laporte, and R. Musmanno, Introduction to Logistics Systems Management, 2nd ed. John Wiley & Sons, 2013.
V. N. Vapnik, The Nature of Statistical Learning Theory. Springer-Verlag, 1995.
A. J. Smola and B. Schölkopf, “A tutorial on support vector regression,” Statistics and Computing, vol. 14, pp. 199–222, 2004.
S. Mirjalili, S. M. Mirjalili, and A. Lewis, “Grey wolf optimizer,” Advances in Engineering Software, vol. 69, pp. 46–61, 2014.
S. Mirjalili, S. Saremi, S. M. Mirjalili, and L. S. Coelho, “Multi-objective grey wolf optimizer: A novel algorithm for multi-criterion optimization,” Expert Systems with Applications, vol. 47, pp. 106–119, 2016.
P. K. Goldberg and M. M. Knetter, “Goods prices and exchange rates: What have we learned?” Journal of Economic Literature, vol. 35, no. 3, pp. 1243–1272, 1997.
J.-N. Kapferer and V. Bastien, The Luxury Strategy: Break the Rules of Marketing to Build Luxury Brands. Kogan Page, 2012.
