MODEL PERENCANAAN PRODUKSI BERBASIS MACHINE LEARNING PRODUK AIR MINUMAN KEMASAN GELAS DI PT XYZ

Abstract

Permasalahan utama pada industri Air Minum Dalam Kemasan (AMDK) di PT XYZ adalah ketidaksesuaian antara perencanaan produksi dan permintaan harian yang menyebabkan gap persediaan sebesar 33.664 unit selama tiga bulan. Kondisi ini dipengaruhi oleh metode peramalan manual yang belum mampu menangkap pola data non-linier . Penelitian ini bertujuan mengembangkan model prediksi produksi harian berbasis Adaptive Neuro-Fuzzy Inference System (ANFIS) untuk meningkatkan akurasi perencanaan produksi dan mendukung penyusunan JIP serta MRP. Penelitian menggunakan data historis selama 100 hari yang dibagi menjadi data training dan testing dengan rasio 70:30. Variabel input meliputi permintaan harian, stok akhir, dan repair, sedangkan output berupa produksi harian. Model dikembangkan menggunakan MATLAB dengan fungsi keanggotaan Gaussian, konfigurasi 4-4-4, metode pembelajaran hybrid, dan 300 epoch. Hasil penelitian menunjukkan akurasi yang sangat tinggi dengan nilai RMSE 4,2817, NRMSE 0,07147%, dan MAPE 0,00238%. Model ANFIS efektif dalam meningkatkan ketepatan perencanaan produksi, mengurangi gap persediaan, dan meningkatkan efisiensi sistem produksi perusahaan.

The main problem in the bottled drinking water industry at PT XYZ is the mismatch PT XYZ’s bottled drinking water industry faces a mismatch between Production Planning and daily demand, resulting in an inventory gap of 33,664 units over three months. This study develops an Adaptive Neuro-Fuzzy Inference System (ANFIS) model to improve daily production forecasting and support production planning. Historical data from 100 days were divided into training and testing sets with a 70:30 ratio. Daily demand, ending inventory, and repair activities were used as input variables, while daily production served as the output. The model was developed in MATLAB using Gaussian membership functions, a 4-4-4 architecture, hybrid learning, and 300 epochs. The ANFIS model achieved high forecasting accuracy, with an RMSE of 4.2817, NRMSE of 0,07147%, and MAPE of 0,00238%. The results demonstrate that ANFIS can accurately represent production patterns and support JIP and MRP development. The proposed model improves Production Planning accuracy, reduces inventory gaps, and enhances production efficiency.