IMPROVING SPARE PARTS DEMAND FORECAST ACCURACY TO INCREASE SERVICE LEVEL AND OPTIMIZE WORKING CAPITAL FOR KOMATSU UNDERCARRIAGE BY UTILIZING BIG DATA AND MACHINE LEARNING

Abstract

Naik turunnya bisnis alat berat dipengaruhi oleh berbagai faktor, yang dapat menyebabkan permintaan spare parts naik maupun turun dengan cepat. Penelitian ini bertujuan untuk mengetahui akurasi demand spare parts undercarriage dengan membandingkan forecasting metode hasil pengukuran keausan PPU (Program Pemeriksaan Undercarriage), metode moving average dan metode machine learning menggunakan algoritma XGBoost (Xtreme Gradient Boosting) dengan bahasa pemrograman RStudio. Data yang digunakan dalam penelitian ini adalah data perusahaan PT. XYZ dengan periode 2017 sampai dengan tahun 2021. Hasil peramalan diukur menggunakan forecast error MAD (Mean Absolute Deviation), RMSE (Root Mean Square Error) dan untuk XGBoost menggunakan WMAPE (Weighted Mean Absolute Percentage Error). Penerapan XGboost untuk forecast demand spare parts undercarriage ini menunjukkan bahwa model XGBoost memiliki performa yang sangat baik dengan nilai akurasi WMAPE 78,31% dibandingkan dengan akurasi Moving Average 58,43% atau naik 134,02%. Jika dibandingkan dengan forecast yang dipakai perusahaan saat ini hasil PPU sebesar 43,9% maka metode machine learning XGBoost menghasilkan akurasi forecasting yang lebih baik.