Prediksi Permintaan Stok dan Tingkat Pendapatan Menggunakan Decision Tree Learning: Studi Kasus Ponti Kreasi Utama
Kata Kunci:
Bisnis Keluarga, Decision Tree Learning, Peramalan, Permintaan Pelanggan, PersediaanAbstrak
Meningkatnya kejenuhan pasar menimbulkan perlunya strategi-strategi adaptasi baru, seperti peningkatan pelayanan pelanggan melalui waktu pemenuhan pesanan yang lebih cepat dan konsisten. Peningkatan tersebut bergantung pada manajemen persediaan yang efisien, sehingga bahan yang diperlukan selalu tersedia. Penelitian ini bertujuan untuk memanfaatkan bisnis lokal di daerah Asia-Pasifik untuk menghasilkan wawasan yang diperlukan untuk manajemen persediaan dan perencanaan pembelian. Penelitian ini menggunakan pendekatan kuantitatif dengan memanfaatkan decision tree learning untuk menganalisis 71.000 sampel data riwayat pemesanan dari 1 Januari 2018 sampai 31 Desember 2023 dari PT Ponti Kreasi Utama, yang merupakan sebuah usaha percetakan keluarga di Pontianak, Indonesia. Analisis tersebut bertujuan menghasilkan prediksi bahan paling laku, dengan hasil tingkat kesalahan dari 0% sampai 40% tergantung jangka waktu. Kuantitas penggunaan bahan per bulan juga diprediksi dengan tingkat kesalahan 73,8%; setelah analisis lebih lanjut, tingkat kesalahan tersebut secara efektif sisa setengah. Prediksi ini memungkinkan bisnis ini untuk melakukan pengisian ulang stok secara proaktif dengan mengantisipasi permintaan, yang berakibat pada peningkatan layanan pelanggan dan penurunan jumlah kejadian penundaan pemenuhan pesanan dan pembatalan pesanan. Penelitian di masa depan dapat mempelajari metode hybrid yang menggabungkan beberapa teknik pembelajaran mesin untuk peningkatan lebih lanjut terhadap ketepatan prediksi.
Referensi
Breiman, L., & Spector, P. (1995). Parallelizing CART Using a Workstation Network. Berkeley: University of California.
Breiman, L., Friedman, J., Olshen, R. A., & Stone, C. J. (1984). Classification and Regression Trees. New York: Chapman and Hall/CRC.
Burkov, A. (2019). The Hundred-Page Machine Learning Book. Quebec City: Andriy Burkov.
Devi, J. V., & Kavitha, K. S. (2017). Fraud Detection in Credit Card Transactions by using Classification Algorithms. International Conference on Current Trends in Computer, Electrical, Electronics and Communication (CTCEEC). Mysore.
Dwivedi, Y. K., Ismagilova, E., Rana, N. P., & Raman, R. (2021). Social Media Adoption, Usage And Impact In Business-To-Business (B2B) Context: A State-Of-The-Art Literature Review. Information Systems Frontiers, 25, 971-993.
Hölbling, K., Künstner, T., Marsch, C., & Steinkrauss, N. (2009). Next-Generation Customer Service: The New Strategic Differentiator. New York: International Quality and Productivity Center.
Infante, A., & Mardikaningsih, R. (2022). The Potential of Social Media as a Means of Online Business Promotion. Journal of Social Science Studies (JOS3), 2(2).
MathWorks. (2024). Discovery: Machine Learning Models. Dipetik May 7, 2024, dari htttps://mathworks.com/discovery/machine-learning-models.html
Osei, F., Ampomah, G., Kankam-Kwarteng, C., Bediako, D. O., & Mensah, R. (2021). Customer Satisfaction Analysis of Banks: The Role of Market Segmentation. Science Journal of Business and Management, 9(2), 126-138.
Overton, S., & Murphy, B. (2016). Making Better Decisions about Risk Classification Using Decision Trees in SAS® Visual Analytics. SAS® Global Forum. Las Vegas.
Putra, P. H., Azanuddin, Purba, B., & Dalimunthe, Y. A. (2023). Random forest and decision tree algorithms for car price. Jurnal Matematika Dan Ilmu Pengetahuan Alam LLDikti Wilayah 1 (JUMPA), 3(2).
Sahin, Y., Bulkan, S., & Duman, E. (2013). A cost-sensitive decision tree approach for fraud detection. Expert Systems with Applications, 40(15), 5916-5923.
Shideler, D., & Badasyan, N. (2012). Broadband impact on small business growth in Kentucky. Journal of Small Business and Enterprise Development, 19(4), 589-606.
Stephens, H. M., Mack, E. A., & Mann, J. (2022). Broadband and entrepreneurship: An empirical assessment of the connection between broadband availability and new business activity across the United States. Telematics and Informatics, 74.
Yan, J., Zhou, Q., Xiao, Y., & Pan, B. (2023). A Comparative Study Of CART Algorithm For Forecasting. International Conference on Pattern Recognition, Machine Vision and Intelligent Algorithms (PRMVIA). Beihai.
