Perancangan Model Peramalan Permintaan Susu Bubuk Menggunakan Time Series untuk Mendukung Perencanaan Kapasitas Produksi

Abstract

Perencanaan kapasitas produksi PT XYZ saat ini menggunakan perhitungan berbasis Excel pada tingkat agregat sehingga belum merepresentasikan kebutuhan kapasitas menurut variasi varian dan gramasi produk. Penelitian ini bertujuan merancang model peramalan permintaan berbasis time series pada tingkat SKU untuk menghasilkan basis data proyeksi permintaan sebagai input simulasi kapasitas produksi. Data historis 84 SKU susu bubuk periode Agustus 2023 hingga Juli 2026 disaring menjadi 62 SKU forecastable setelah 22 SKU tanpa riwayat permintaan dikecualikan, dengan median 72,2% bulan bernilai nol yang mencerminkan karakteristik permintaan intermiten. Setiap SKU dievaluasi menggunakan tiga belas metode time series dengan pembagian 29 bulan data latih dan 7 bulan data uji. Metode terbaik ditetapkan secara independen pada tiap SKU melalui penyaringan uji white noise yang dilanjutkan pemeringkatan berdasarkan MAPE terkecil pada data uji. Naive terpilih sebagai metode terbaik pada 22 SKU atau 35,5%, diikuti Combination pada 9 SKU serta TBATS dan regresi linear tanpa musiman masing-masing pada 6 SKU, sedangkan ARIMA, SARIMA, dan regresi linear dengan musiman tidak terpilih pada satu pun SKU meskipun mencatat tingkat kelolosan uji white noise yang tinggi. Hasil tersebut menunjukkan bahwa validitas residual tidak menjamin keunggulan akurasi dan tidak terdapat satu metode yang unggul secara seragam di seluruh portofolio. Model menghasilkan basis data proyeksi permintaan periode Agustus 2026 hingga Juli 2027 sebesar 8.596,5 ton yang diintegrasikan sebagai input simulasi kapasitas produksi pada Lini B, Lini D, dan Lini G.

Production capacity planning at PT XYZ currently relies on aggregate spreadsheet calculations that do not represent capacity requirements across product variants and pack sizes. This study aims to design an SKU level time series demand forecasting model that produces a demand projection database serving as input for production capacity simulation. Historical data covering 84 powdered milk SKUs from August 2023 to July 2026 were screened into 62 forecastable SKUs after excluding 22 SKUs without demand history, with a median of 72.2% zero valued months indicating intermittent demand characteristics. Each SKU was evaluated using thirteen time series methods with a split of 29 months of training data and 7 months of test data. The best method was determined independently for each SKU through white noise test screening followed by ranking based on the lowest MAPE on the test data. Naive was selected as the best method for 22 SKUs or 35.5%, followed by Combination for 9 SKUs and by TBATS and linear regression without seasonality for 6 SKUs each, whereas ARIMA, SARIMA, and linear regression with seasonality were not selected for any SKU despite recording high white noise test pass rates. These results indicate that residual validity does not guarantee superior accuracy and that no single method performs uniformly best across the portfolio. The model produced a demand projection database for August 2026 to July 2027 amounting to 8,596.5 tons, which was integrated as input for production capacity simulation on Lines B, D, and G.