PT Herba Emas Wahidatama menghadapi tantangan dalam permasalahan stok yang tidak seimbang, seperti kelebihan dan kekurangan stock akibat dari permintan yang bervariasi, mulai dari produk dengan permintaan tinggi (fast moving), permintaan stabil (reguler), dan permintaan rendah (slow moving). Untuk mengtasi permasalahan tersebut digunakan metode peramalan permintaan produk dengan algoritma backpropagation neural network dengan data historis permintaan tahun 2021 – 2023. Hasil peramalan menunjukkan bahwa model algoritma backpropagation neural network memiliki akurasi dengan nilai MAPE yang rendah dan efektifitas peramalan yang baik. namun permintaan produk tinggi dan rendah dapat di prediksi dengan sangat akurat. Hasil ini menunjukkan bahwa algoritma backpropagationn neural network dapat digunakan untuk meramalkan permintaan yang lebih akurat dan memebnatu perusahaan dalam mengatur persediaan secara efisien dan menghindari kekurangan atau kelebihan stock. Abstract PT Herba Emas Wahidatama faces challenges related to unbalanced stock, including excess and shortages, due to varying demand. This demand ranges from products with high demand (fast-moving), to stable demand (regular), and low demand (slow-moving). To overcome this issue, a product demand forecasting method is employed using the backpropagation neural network algorithm, which utilizes historical demand data from 2021 to 2023. The forecasting results indicate that the backpropagation neural network algorithm model demonstrates accuracy with a low MAPE value and good forecasting effectiveness. However, both high and low product demand can be predicted with great accuracy. These results suggest that the backpropagation neural network algorithm can be used for more accurate demand forecasting and can help companies manage inventory efficiently, avoiding shortages or excess stock.
English
PT Herba Emas Wahidatama menghadapi tantangan dalam permasalahan stok yang tidak seimbang, seperti kelebihan dan kekurangan stock akibat dari permintan yang bervariasi, mulai dari produk dengan permintaan tinggi (fast moving), permintaan stabil (reguler), dan permintaan rendah (slow moving). Untuk mengtasi permasalahan tersebut digunakan metode peramalan permintaan produk dengan algoritma backpropagation neural network dengan data historis permintaan tahun 2021 – 2023. Hasil peramalan menunjukkan bahwa model algoritma backpropagation neural network memiliki akurasi dengan nilai MAPE yang rendah dan efektifitas peramalan yang baik. namun permintaan produk tinggi dan rendah dapat di prediksi dengan sangat akurat. Hasil ini menunjukkan bahwa algoritma backpropagationn neural network dapat digunakan untuk meramalkan permintaan yang lebih akurat dan memebnatu perusahaan dalam mengatur persediaan secara efisien dan menghindari kekurangan atau kelebihan stock. Abstract PT Herba Emas Wahidatama faces challenges related to unbalanced stock, including excess and shortages, due to varying demand. This demand ranges from products with high demand (fast-moving), to stable demand (regular), and low demand (slow-moving). To overcome this issue, a product demand forecasting method is employed using the backpropagation neural network algorithm, which utilizes historical demand data from 2021 to 2023. The forecasting results indicate that the backpropagation neural network algorithm model demonstrates accuracy with a low MAPE value and good forecasting effectiveness. However, both high and low product demand can be predicted with great accuracy. These results suggest that the backpropagation neural network algorithm can be used for more accurate demand forecasting and can help companies manage inventory efficiently, avoiding shortages or excess stock.
University of Pembangunan Nasional Veteran Jawa Timur
1
Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.