Penerapan Model Transformer Untuk Memprediksi Tingkat Akurasi Permintaan Distribusi Barang Pada Sistem Pergudangan
DOI:
https://doi.org/10.31000/ztmchn70Abstract
Proses akurasi dalam menentukan peramalan permintaan barang (demand forecasting) menjadi hal yang sangat penting, terutama dalam elemen manajemen supply chain, khususnya pada sistem operasional gudang guna meminimalisir tingkat kesalahan dalam pengiriman dan ketidaksesuaian stok barang. Penelitian ini bertujuan untuk melihat tingkat akurasi model Transformer dalam memprediksi permintaan barang di gudang. Sebagai bahan perbandingan, hasil akurasi model ini akan dibandingkan dengan metode konvensional seperti Moving Average dan ARIMA. Metode penelitian yang digunakan bersifat kuantitatif dengan pendekatan eksperimen, menggunakan data simulasi yang mencerminkan pola permintaan gudang (tren, musiman, dan noise). Hasil penelitian yang dilakukan menunjukkan bahwa model Transformer memiliki tingkat akurasi yang lebih tinggi dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 9.12%, dibandingkan dengan ARIMA (15.87%) dan Moving Average (20.34%). Berdasarkan hasil temuan ini, model Transformer mampu menangkap pola kompleks dalam data time series dan berpotensi meningkatkan efisiensi operasional gudang serta mengurangi risiko kesalahan distribusi.
Downloads
References
Brockwell, P. J., & Davis, R. A. (2016). Introduction to Time Series and Forecasting (S. T. in Statistics, Ed.). Springer International Publishing AG Switzerland.
Chopra, S., & Meindl, P. (2016). Supply Chain Management (Strategy, Planning, and Operation). Pearson India Education Services Pvt. Ltd.
Christopher, M. (2016). Logistics & Supply Chain Management. imusti, FT Press, FT Publishing International, Pearson Education. https://doi.org/https://lib.hpu.edu.vn/handle/123456789/35774
Creswell, J. W., & Creswell, J. D. (2018). Table of Contents PART I - Preliminary Considerations. SAGE Publications, Inc.
Hafidz Raif Harashta., & Tranggono. (2025). Penerapan Metode Eoq Dan Min-Max Dalam Manajemen Stok Material Di Warehouse Pt . Kaltim Methanol Industri. JIEOM Vol.08, No.02, Desember 2025 ISSN:2620-8184, 08(02), 55–66.
Indah, A Besse Riyani, et. al. (2025). Perencanaan Agregat Dengan Metode Forecasting Model Arima Dan Agregate Planning Heuristik. JIEOM Vol.08, No.02, Desember 2025 ISSN: 2620-8184, 08(02), 1–12. https://doi.org/https://ojs.uniska-bjm.ac.id/index.php/jieom/index
Kamila, Isti., et. al. (2025). Uncovering the potential of mining stocks : Analysis of price prediction and fundamental performance using double exponential smoothing and discounted cash flow. Desimal: Jurnal Matematika Vol 8 No 3 (2025) 435-448 Contents, 8(3), 435–448. https://doi.org/10.24042/djm
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). Statistical and Machine Learning forecasting methods : Concerns and ways forward. PLoS ONE Statistical and ML Forecasting Methods Regarding, (Ml), 1–26. https://doi.org/https://doi.org/10.1371/journal.pone.0194889 March
Narasanov, Z. (2018). Time Series Forecasting Using A Moving Average Model For Extrapolation Of Number Of Tourist. UTMS Journal of Economics, 9(2), 121–132.
Nicholas Simarmata, E. al. (2023). Metodologi Penelitian Kuantitatif Dan Kualitatif. Get Press Indonesia Anggota IKAPI No. 033/SBA/2022. www.getpress.co.id
Rabiatus Sholehah, Muhammad Marsudi, A. G. B. (2021). Analisis persediaan bahan baku kedelai menggunakan eoq, rop dan safety stock produksi tahu berdasarkan metode forecasting di pt. langgeng. JURNAL JIEOM Vol.04, No.02, NOVEMBER 2021 ISSN: 2620-8184. https://doi.org/http://dx.doi.org/10.31602/jieom.v4i2.5884
Richards, G. (2017). Warehouse Management A complete guide to improving efficiency and minimizing costs in the modern warehouse. Great Britain and the United States.
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems, 30.
