Peramalan Kebutuhan Bahan Bakar Premium di Depot Ampenan dengan Metode Hibrida Arima-Neural Network untuk Optimasi Persediaan

Abstract

Pemasaran serta pendistribusian BBM berkaitan erat dengan seberapa besar kebutuhan setiap wilayah, dan permintaan yang cenderung tidak  konstan, sehingga sangat perlu dilakukan peramalan kebutuhan bahan bakar. Peramalan terhadap permintaan bahan bakar merupakan awal dari semua perencanaan dari kegiatan supply chain. Hasil peramalan bahan bakar Premium di Depot Ampenan menunjukkan bahwa metode hibrida dapat memprediksi lebih baik dibandingkan dengan metode tunggal. Kombinasi metode ARIMA dan Neural Network ternyata dapat bekerja sama dengan baik untuk menghasilkan peramalan yang lebih baik dengan nilai RMSE yang kecil dibandingkan dengan model ARIMA dan NN secara individu. Hasil uji linieritas dengan Terasvirta menunjukkan bahwa ada hubungan non-linier, sehingga model non-linier cocok digunakan untuk kasus ini. Hasil peramalan dari model yang terbaik digunakan untuk membuat perencanaan persediaan. Model persediaan yang optimal terjadi ketika jumlah pemesanan (Q) mencapai nilai 2518 Kl, backorder (B) sebesar 1667 Kl dan safety stock yang ada dalam persediaan adalah 86 Kl. Dari hasil tersebut, maka dapat dihitung biaya total yang dibutuhkan untuk pengadaan persediaan untuk bulan Januari 2012 yaitu sebesar Rp 96.135.699.392,-.

CC Licencing

Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).