Analisis Optimalisasi Safety Stock dengan Metode Regresi Linear Support Vector dan Neural Network

Abstrak

Manajemen inventaris yang efektif memerlukan penentuan Stok Pengaman (Safety Stock) yang optimal di tengah
tingginya fluktuasi permintaan. Metode tradisional yang menggunakan Standar Deviasi permintaan historis
mentah cenderung bersifat reaktif dan menghasilkan dilema kelebihan stok (overstock) atau kekurangan stok
(stockout). Penelitian ini bertujuan untuk menganalisis dan membandingkan efektivitas tiga metode Machine
Learning (ML) yaitu Regresi Linier (RL), Support Vector Regression (SVR), dan Neural Network (NN) dalam
mengoptimalkan perhitungan Safety Stock. Model ML digunakan untuk menjelaskan variabilitas permintaan,
sehingga secara drastis mengurangi Standar Deviasi Kesalahan Prediksi. Tahapan penelitian meliputi
pengumpulan data fitur (tren, suhu, promosi), pemodelan ML, evaluasi menggunakan Root Mean Squared Error
(RMSE), dan perhitungan Safety Stock (SS). Hasil penelitian menunjukkan peningkatan efisiensi yang signifikan
dibandingkan metode dasar. Regresi Linier mencapai efisiensi 68% (SS 17.27 unit) , SVR mencapai 70% efisiensi
(SS 16.12 unit) karena kemampuannya menangani outlier , dan Neural Network mencapai efisiensi tertinggi 71%
(SS 15.63 unit) karena unggul pada data non-linier dan kompleks. Pemilihan model yang tepat harus disesuaikan
dengan pola fitur data untuk menghemat biaya inventaris secara maksimal.

Kata Kunci: Safety Stock, Regresi Linier, Support Vector Regression, Neural Network, Optimalisasi Inventaris.