Optimalisasi Manajemen Persediaan UMKM melalui Algoritma Machine Learning
Dalam era digital saat ini, Usaha Mikro, Kecil, dan Menengah (UMKM) di Indonesia menghadapi tantangan dalam mengelola persediaan barang secara efisien. Masalah seperti kelebihan stok atau kekurangan barang sering terjadi akibat kurangnya adopsi teknologi modern dalam manajemen persediaan.
Sebuah penelitian oleh Avinash, Andreas Widjaja, dan Oscar Karnalim dari Universitas Kristen Maranatha, yang dipublikasikan pada Agustus 2024 di Jurnal Teknik Informatika dan Sistem Informasi, membahas penggunaan algoritma machine learning untuk peramalan persediaan produk barang pokok. Penelitian ini membandingkan beberapa algoritma seperti ARIMA, SARIMA, Prophet, FFT, dan SVR dalam konteks UMKM dan ritel modern. Hasilnya menunjukkan bahwa algoritma SARIMA memberikan prediksi paling akurat dengan Mean Absolute Percentage Error (MAPE) serendah 0,74% untuk data yang telah distabilkan.
SARIMA, yang mempertimbangkan faktor musiman dalam data, terbukti lebih unggul dibandingkan ARIMA yang hanya efektif untuk data stasioner. Kemampuan SARIMA dalam menangani pola musiman menjadikannya alat yang efektif untuk mengelola stok secara tepat waktu, terutama dalam menghadapi fluktuasi permintaan seperti saat bulan Ramadhan atau akhir tahun.
Meskipun demikian, penerapan teknologi machine learning di kalangan UMKM masih menghadapi tantangan, terutama terkait keterbatasan sumber daya dan akses terhadap teknologi canggih. Dukungan dari pemerintah dan lembaga terkait dalam bentuk pelatihan dan aksesibilitas teknologi sangat diperlukan agar potensi besar dari teknologi ini dapat dimanfaatkan sepenuhnya oleh UMKM di Indonesia.
