Penelitian ini membahas penerapan algoritma ARIMA dan LSTM untuk memprediksi kebutuhan material mingguan pada bagian PPIC Incoming di PT Sebastian Jaya Metal. Permasalahan utama adalah belum adanya sistem prediksi berbasis data, sehingga proses pengadaan material masih manual dan kurang efisien. Data historis pengeluaran material Agustus–September 2024 pada lima sparepart prioritas digunakan sebagai dasar pemodelan. Evaluasi model dilakukan menggunakan metrik RMSE dan MAPE. Hasil menunjukkan, untuk Striker SS, ARIMA menghasilkan RMSE 2.623,32 dan MAPE 89,87%, sedangkan LSTM lebih baik dengan RMSE 2.109,69 dan MAPE 73,63%. Pada Cover A Muffler, ARIMA memperoleh RMSE 2.870,98 dan MAPE 156,54%, sedangkan LSTM RMSE 3.573,79 dan MAPE 273,18%. Untuk Cap A/B, ARIMA unggul (RMSE 1.014,76; MAPE 53,08%) dibanding LSTM (RMSE 2.305,52; MAPE 81,33%). Bracket 001 lebih akurat dengan ARIMA (RMSE 2.186,51; MAPE 70,42%) dibanding LSTM (RMSE 2.947,61; MAPE 108,78%). Sementara itu, pada Hanger Leaf Spring Front No.1 & No.2, LSTM lebih unggul (RMSE 433,59; MAPE 16,54%) daripada ARIMA (RMSE 639,25; MAPE 41,38%). Integrasi model prediksi ini dapat membantu perencanaan stok yang lebih efisien, meski akurasi masih bisa ditingkatkan dengan penambahan data dan optimasi parameter.

S12178

INF 0205 2025

Bekasi

Tersedia