Forecasting Permintaan Persediaan Berbasis Long Short-Term Memory untuk Penentuan Safety Stock dan Reorder Point

Eka Fatmawati fatmawati; Endah Sudarmilah

doi:10.30865/json.v7i3.9648

Authors

Eka Fatmawati fatmawati Universitas Muhammadiyah Surakarta
Endah Sudarmilah Universitas Muhammadiyah Surakarta

DOI:

https://doi.org/10.30865/json.v7i3.9648

Keywords:

Long Short-Term Memory (LSTM), Peramalan Deret Waktu, Optimasi Persediaan, Safety Stock, Reorder Point

Abstract

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.

References

R. Britania, A. Tjolleng, S. A. Putri, F. Teknik, and U. B. Nusantara, “Integrasi Model Inventori Eoq dan Time Series Forecasting Untuk Sistem Inventori Optimal,” vol. 10, no. 1, pp. 78–93, 2024, doi: 10.30997/jvs.v10i1.13310.

D. I. Purnamasari, V. A. Permadi, A. Saepudin, and R. P. Agusdin, “Demand Forecasting For Improved Inventory Management in Small and Mediun-Sized Businesses,” vol. 12, no. 1, pp. 56–66, 2023, doi: https://doi.org/10.23887/janapati.v12i1.57144.

M. Munawar, U. E. Unggul, G. Firmansyah, U. E. Unggul, B. Tjahjono, and U. E. Unggul, “Comparative Analysis of Time Series Methods LSTM and ARIMA for Predicting Inventory Availability ( Case Study : PT XYZ ),” vol. 8, no. 1, pp. 1–19, 2025, doi: 10.33050/ccit.v18i1.3443.

M. A. Chaudhari, A. Phapale, P. Gagare, and T. Kardile, “Forecasting and Modelling of Food Demand Supply Chain using Machine Learning,” vol. 13, no. 2, pp. 1–16, 2025.

W. Tang, “Applied Mathematics and Nonlinear Sciences Improvement of Inventory Management and Demand Forecasting by Big Data Analytics in Supply Chain,” vol. 9, no. 1, pp. 1–15, 2024, doi: 10.2478/amns-2024-2213.

H. J. Wahedi, M. Heltoft, G. J. Christophersen, T. Severinsen, and S. Saha, “applied sciences Forecasting and Inventory Planning : An Empirical Investigation of Classical and Machine Learning Approaches for Svanehøj ’ s Future Software Consolidation,” vol. 13, no. 15, p. 8581, 2023, doi: https://doi.org/10.3390/app13158581.

D. S. Prastiya and R. S. Wahyuni, “Artificial Neural Network Model For Optimization of Forecasting Material Inventory,” vol. 25, no. 2, pp. 173–188, 2024.

T. Lokhilmahful, R. Fitriana, A. Nur, and Y. Liang, “Optimizing Demand Forecasting Method with Support Vector Regression for Improved Inventory Planning,” vol. 23, no. 2, pp. 149–166, 2024, doi: 10.25077/josi.v23.n2.p149-166.202.

A. F. Ridwan and M. Ahsan, “Penentuan Reorder Point dan Safety Stock pada Consumable Material Berdasarkan Peramalan Menggunakan Artificial Neural Network,” vol. 6, no. 1, pp. 1–61, 2024, doi: https://doi.org/10.37631/jri.v6i1.1220.

N. Deivanayagampillai, T. Bhuvaneswari, and Y. Suppiah, “Intelligent inventory prediction : A machine learning framework using random forest for inventory forecasting,” vol. 9, no. 4, pp. 1795–1807, 2025, doi: 10.55214/25768484.v9i4.6383.

S. A. Gresya, N. A. Rambe, M. G. Adelita, and F. F. Sitompul, “Penerapan Teknologi AI dan Machine Learning dalam Manajemen Talenta Conference Series Penerapan Teknologi AI dan Machine Learning dalam Manajemen Rantai Pasokan,” vol. 7, no. 1, 2024, doi: 10.32734/ee.v7i1.2303.

E. S. D. Gulo, T. H. S. Hulu, S. M. Kakisina, and M. S. D. Mendrofa, “Analisis Peramalan Persediaan Barang Menggunakan Metode Moving Average Dan Exponential Smoothing Pada CV . Sanjaya Bangun Pratama,” vol. 4, no. 3, pp. 1703–1716, 2024, doi: doi.org/jebma.v4n3.4788 Analisis.

A. Merici and U. Saprudin, “Peramalan Persediaan Barang Menggunakan Metode Weighted Moving Average di CV . Multipaper Stationery,” vol. 5, no. 2, pp. 1685–1694, 2024, doi: https://doi.org/10.35870/jimik.v5i2.742.

H. Hassyddiqy et al., “Analisis Peramalan ( Forecasting ) Penjualan Dengan Metode ( Autoregressive Integrated Moving Average ) Pada Huebee Indonesia,” vol. 2, no. 2, pp. 92–100, 2023, doi: https://doi.org/10.47709/dsi.v2i2.2022.

F. R. Kurniawan and R. Sutomo, “Forecasting Rice Inventory in Indonesia Using the ARIMA,” vol. 1, no. 2, pp. 1–12, 2021, doi: 10.53748/jmis.v1i2.15.

E. Donneli et al., “Big Data dan Peramalan Permintaan Rantai Pasokan dalam Pemasaran Digital UMKM,” vol. 7, pp. 266–277, 2024.

S. Yunita, N. A. Mahesti, R. Max, B. Sihaloho, and R. Setyadi, “Forecasting Pada Rantai Pasok Pabrik Penggilingan Daging Menggunakan Metode Time Series,” vol. 9, no. 3, pp. 761–769, 2022, doi: 10.30865/jurikom.v9i3.4221.

M. Kurniasih, W. Widayat, T. Informatika, F. Komunikasi, and U. M. Surakarta, “Sistem Informasi Manajemen Stok Berbasis Web Menggunakan Framework Laravel,” vol. 5, no. 5, pp. 1457–1469, 2025, doi: https://doi.org/10.52436/1.jpti.816.

Anisah and Hadita, “Penerapan Metode Forecasting Dalam Menentukan Persediaan Kopi Susu Pada Usaha Mikro Kecil Menengah Dalam Hal Ini Sir Coffeehouse Bekasi,” vol. 2, no. 1, pp. 97–107, 2024, doi: https://doi.org/10.30640/jmcbus.v2i1.2070.

S. Zaheer, N. Anjum, S. Hussain, A. D. Algarni, and J. Iqbal, “A Multi Parameter Forecasting for Stock Time Series Data Using LSTM and Deep Learning Model,” vol. 11, no. 3, p. 590, 2023, doi: https://doi.org/10.3390/math11030590.

H. Imaduddin, L. A. Kusumaningtias, and F. Y. A, “Ingénierie des Systèmes d ’ Information Application of LSTM and GloVe Word Embedding for Hate Speech Detection in Indonesian Twitter Data,” vol. 28, no. 4, pp. 1107–1112, 2023, doi: https://doi.org/10.18280/isi.280430.