Forecasting Permintaan Persediaan Berbasis Long Short-Term Memory untuk Penentuan Safety Stock dan Reorder Point
Jurnal Sistem Komputer dan Informatika (JSON) · 31.03.2026 · 7 (3) · 1131-1144
DOI: 10.30865/json.v7i3.9648 ↗Kurz gefasst
Fachartikel in der Zeitschrift Jurnal Sistem Komputer dan Informatika (JSON), online erschienen am 31.03.2026. Verfasst von Eka Fatmawati Fatmawati und 1 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-SA 4.0).
Abstract (Originalsprache)
Ketidakseimbangan antara ketersediaan stok dan fluktuasi permintaan sering menyebabkan overstock maupun stockout dalam manajemen persediaan ritel. Penelitian ini bertujuan untuk menerapkan metode Long Short-Term Memory (LSTM) dalam peramalan permintaan. Peramalan ini digunakan sebagai dasar penentuan Safety Stock (SS) dan Reorder Point (ROP) pada tiga kategori produk ritel: susu, sabun, dan frozen food. Data historis penjualan digunakan untuk menghasilkan prediksi permintaan tiga bulan ke depan. Hasil prediksi dievaluasi menggunakan Mean Absolute Percentage Error (MAPE), Mean Absolute Error (MAE), dan Root Mean Squared Error (RMSE). Hasil evaluasi menunjukkan bahwa model LSTM menghasilkan tingkat akurasi yang baik pada seluruh kategori produk. Pada kategori susu, rata-rata nilai MAPE sebesar 4,53%, dan pada sabun sebesar 5,23%. Kedua nilai ini tergolong sangat baik. Sementara itu, frozen food memiliki nilai MAPE sebesar 12,08%, yang termasuk kategori baik. Berdasarkan hasil peramalan tersebut, parameter pengendalian persediaan dihitung menggunakan pendekatan Safety Stock dan Reorder Point. Kategori susu menunjukkan nilai rata-rata SS dan ROP tertinggi. Hal ini mencerminkan volume permintaan yang lebih besar dibandingkan kategori lainnya. Di sisi lain, kategori frozen food memperlihatkan variasi ROP yang relatif lebih tinggi antar produk. Hasil penelitian ini menunjukkan bahwa integrasi metode LSTM dengan model pengendalian persediaan dapat mendukung perumusan kebijakan stok yang lebih terukur dan berbasis data dalam pengelolaan persediaan ritel. Penelitian ini memberikan kontribusi berupa integrasi metode deep learning dengan model pengendalian persediaan yang menghasilkan kebijakan stok yang lebih terukur dan aplikatif.
Zitieren
APA
Fatmawati, E. F., & Sudarmilah, E. (2026). Forecasting Permintaan Persediaan Berbasis Long Short-Term Memory untuk Penentuan Safety Stock dan Reorder Point. Jurnal Sistem Komputer dan Informatika (JSON), 7(3), 1131-1144. https://doi.org/10.30865/json.v7i3.9648
Vancouver
Fatmawati EF, Sudarmilah E. Forecasting Permintaan Persediaan Berbasis Long Short-Term Memory untuk Penentuan Safety Stock dan Reorder Point. Jurnal Sistem Komputer dan Informatika (JSON). 2026;7(3):1131-1144. doi:10.30865/json.v7i3.9648
BibTeX
@article{Fatmawati2026,
author = {Fatmawati, Eka Fatmawati and Sudarmilah, Endah},
title = {Forecasting Permintaan Persediaan Berbasis Long Short-Term Memory untuk Penentuan Safety Stock dan Reorder Point},
journal = {Jurnal Sistem Komputer dan Informatika (JSON)},
year = {2026},
volume = {7},
number = {3},
pages = {1131--1144},
doi = {10.30865/json.v7i3.9648}
}
EUVIMED