Optimalisasi Prediksi Produksi Melalui Pemodelan ANFIS dan ARIMA Pada PT. XYZ
DOI:
https://doi.org/10.30998/joti.v8.i1.833Keywords:
ANFIS, ARIMA, MAPE, Algoritma Wagner WithinAbstract
PT. XYZ menghadapi permasalahan ketidaktepatan perencanaan produksi yang berdampak pada terjadinya overproduction dan tingginya persediaan. Penelitian ini bertujuan memprediksi jumlah produksi produk Insert Nut M4 Brass Bor 6x6 pada periode berikutnya serta mengoptimalkan biaya persediaan menggunakan pendekatan terintegrasi antara metode Adaptive Neuro-Fuzzy Inference System (ANFIS) dan algoritma Wagner-Whitin. Metode ANFIS dibangun menggunakan variabel input permintaan dan persediaan, sedangkan ARIMA dimodelkan sebagai model deret waktu univariat berdasarkan data produksi. Evaluasi kinerja dilakukan menggunakan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa ANFIS menghasilkan MAPE rata-rata sebesar 5% (Highly Accurate), sedangkan ARIMA menghasilkan MAPE sebesar 11% (kategori good forecast), namun masih lebih tinggi dibandingkan dengan ANFIS. Berdasarkan hasil optimasi menggunakan algoritma Wagner-Whitin, diperoleh kebijakan produksi optimal berupa lot-for-lot, yaitu produksi dilakukan pada setiap periode tanpa menyimpan persediaan. Total biaya persediaan yang dihasilkan adalah sebesar Rp 104.640, jauh lebih rendah dibandingkan dengan sistem perusahaan sebesar Rp 971.873.340, sehingga diperoleh penghematan biaya sebesar Rp 971.768.700. Temuan ini mengonfirmasi bahwa ANFIS lebih efektif dalam menangkap pola non-linear pada data produksi yang fluktuatif, sehingga dapat digunakan sebagai dasar perencanaan produksi yang lebih efisien. Penelitian selanjutnya disarankan mengembangkan model hybrid ANFIS-ARIMA dengan horizon data lebih panjang serta mempertimbangkan variabel operasional tambahan untuk meningkatkan akurasi dan robustness model.
Downloads
References
[1] A. Cheraghalikhani, F. Khoshalhan, and H. Mokhtari, “Aggregate production planning: A literature review and future research directions,” Int. J. Ind. Eng. Comput., vol. 10, pp. 309–330, 2019.
[2] N. D. Adyasa and N. Y. Hidayah, “Perencanaan Produksi Kantong Sampah Plastik Menggunakan Metode Linear Programming Di PT Kharisma Plastik Indo,” Metris J. Sains dan Teknol. 25, vol. 25, pp. 33–40, 2024.
[3] Y. A. Davizón, C. Martínez-olvera, R. Soto, C. Hinojosa, and P. Espino-román, “Optimal Control Approaches to the Aggregate Production Planning Problem,” Sustainability, 2015.
[4] Z. C. Gumilang and N. Siswanto, “Peramalan dan Optimasi Produksi pada Produksi Emas di PT . ‘ X ’ menggunakan Metode Mixed Integer Programming,” vol. 3, no. 2, pp. 173–183, 2016.
[5] A. Hajjah and Y. N. Marlim, “Analisis Error Terhadap Peramalan Data Penjualan,” Techno-com, vol. 20, no. 1, pp. 1–9, 2021.
[6] A. C. Vayuanita and W. Sulistijanti, “Peramalan Hasil Produksi Padi Di Provinsi Jawa Tengah Menggunakan,” AGRITECH J. Ilmu-Ilmu Pertan., vol. XXV, no. 2, 2023.
[7] S. S. W. Fatima and A. Rahimi, “A Review of Time-Series Forecasting Algorithms for Industrial Manufacturing Systems,” Machines, vol. 12, no. 6, pp. 1–30, 2024.
[8] Y. Alrahman, K. Mustafa, and Y. Delvika, “Penerapan Metode Peramalan Produksi dan Perencanaan Kebutuhan Bahan Baku Dengan Metode Material Requirement Planning di PT . CJ Feed Medan,” JIME (Journal Ind. Manuf. Eng., vol. 1, no. (2) November, pp. 88–96, 2017.
[9] M. Hermiza, Maryam, and Ihwan Khairul, “Peramalan Produksi Kelapa di Indragiri Hilir dengan Pendekatan Model Autoregressive Integrated Moving Average Forecasting Coconut Production in Indragiri Hilir with Autoregressive,” Sist. J. Sist. Inf., vol. 12, no. 1, pp. 219–228, 2023.
[10] M. Buchori and T. Sukmono, “Peramalan Produksi Menggunakan Metode Autoregressive Integrated Moving Average,” Prozima, vol. 2, no. 1, pp. 27–33, 2018.
[11] D. Sun et al., “PlanningVis : A Visual Analytics Approach to Production Planning in Smart Factories,” IEEE Trans. Vis. Comput. Graph., vol. 26, no. 1, pp. 579–589, 2019.
[12] S. Yoo and N. Kang, “Explainable artificial intelligence for manufacturing cost estimation and machining feature visualization,” Expert Syst. Appl., vol. 183, no. April, pp. 1–14, 2021.
[13] M. A. Othman, “Analysis Of Forecast Of Renewable Energy Development In North Sumatra UsinG ANFIS,” vol. XIII, no. 1, pp. 27–36.
[14] A.Behrouznia, A.Azadeh, Kh.Pichka, P.Pazhoheshfar, and M.Saberi, “Prediction of Manufacturing Lead Time Based on Adaptive Neuro-Fuzzy Inference System ( ANFIS ),” in IEEE 2011 International Symposium on Innovation in Intelegent System adan Applications (INISTA), 2011, pp. 16–18.
[15] M. Tektaş, “Weather Forecasting Using ANFIS and ARIMA Models . A Case Study for Istanbul,” Environ. Res. Eng. Manag., vol. 51, no. 1, pp. 5–10, 2010.
[16] R. A. Wulandari and R. Gernowo, “Metode Autoregressive Integrated Movingaverage ( Arima ) Dan Metode Adaptive Neuro Fuzzy Inference System ( Anfis ) Dalam Analisis Curah Hujan,” Berk. Fis., vol. 22, no. 1, Janurai 2019, pp. 41–48, 2019.
[17] N. R. Babu, C. B. A. Babu, D. P. Reddy, and M. Gowtham, “Comparison of ANFIS and ARIMA Model for Weather Forecasting,” Indian J. Sci. Technol., vol. 8, no. January, pp. 70–73, 2015.
[18] D. K. Febrianti, “Perbandingan Algoritma Wagner–Whitin dan Part Period Balance Mempertimbangkan Total Inventory Cost Pada PT LF Beauty Indonesia,” Sci. J. Ind. Eng., vol. 2, no. 1, pp. 86–91, 2021.
[19] S. Thesman, “Aplikasi Metode Wagner-Whitin Algorithm Pada Sediaan Kaos Oblong Colbus Warna Gelap Ukuran M Di Ud. Anugerah Surabaya,” Calyptra J. Ilm. Mhs. Univ. Surabaya, vol. 2, no. 1, pp. 1–19, 2013.
[20] A. Thomas and K. Suhada, “Pengendalian Persediaan Bahan Baku Produk Active Speaker Menggunakan Algoritma Wagner Within di PT Hartono Istana Teknologi,” J. Integr. Syst., vol. 3, no. 1, pp. 59–71, 2020.
[21] A. Sujiana and U. Budiyanto, “Prediksi jumlah Produksi Perakitan Komponen Menggunakan ANFIS Yang Dioptimasi Dengan Algoritma K-Means,” Cogito Smart J., vol. 9, no. 2, pp. 252–265, 2023.
[22] J.-S. R. Jang, “ANFIS : Adaptive-Network-Based Fuzzy Inference System,” IEEE Trans. Syst. Man, Cybern., vol. 23, no. 3, pp. 665–685, 1993.
[23] D. S. Sinaga, A. P. Windarto, R. A. Nasution, and I. S. Damanik, “Prediction Of Product Sales Results Using Adaptive Neuro Fuzzy Inference System (ANFIS),” J. Artif. Intell. Eng. Appl., vol. 1, no. 2, pp. 92–101, 2022.
[24] A. M. Alrassas, M. A. A. Al-qaness, A. A. Ewees, and S. Ren, “Optimized ANFIS Model Using Aquila Optimizer for Oil Production Forecasting,” Processes, vol. 9, no. 7, pp. 2–17, 2021.
[25] S. L. M. Sitio, “Penerapan Fuzzy Inference System Sugeno Untuk Menentukan Jumlah Pembelian Obat ( Studi Kasus : Garuda Sentra Medika ),” J. Inform. Univ. PAMULANG, vol. 3, no. 2, pp. 104–109, 2018.
[26] R. J. C. Chen, P. Bloomfield, and J. S. Fu, “An Evaluation of Alternative Forecasting Methods to Recreation Visitation,” J. Leis., vol. 35, no. 4, pp. 441–454, 2003.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Endang Suhendar, Asep Endih Nurhidayat, Drajat Indrajaya, Idham Kholid (Author)
This work is licensed under a Creative Commons Attribution 4.0 International License.
