Permintaan memegang peranan penting dalam Supply Chain Management (SCM) dan
faktor ketidakpastian adalah salah satu hal yang tidak dapat dipisahkan dari permintaan. Pasar
replacement PT.Goodyear Indonesia,Tbk memiliki faktor ketidakpastian permintaan yang
cukup tinggi dibandingkan pasar ekspor dan Original Equipment Manufacturer (OEM).
Permintaan ini sering kali tidak dapat diramalkan secara tepat karena selama April 2001-April
2007 besarnya permintaan yang terpenuhi sebesar 1.979.242 buah dan permintaan yang tidak
terpenuhi setiap bulannya sampai dengan 10%. Sedangkan permintaan dalam supply chain
memegang peranan penting dalam rantai awal, karena permintaan akan menentukan kuantitas
yang harus diproduksi dan didistribusikan untuk rantai selanjutnya hingga akhir. Salah satu
metode yang dapat digunakan untuk peramalan yaitu Jaringan Syaraf Tiruan (JST). JST
memiliki beberapa kelebihan dibandingkan metode statistik yaitu kemampuannya menangkap
pola-pola yang tidak linier, kemampuan untuk belajar dengan memetakan input-output,
menyesuaikan dengan kondisi yang berbeda-beda dan tidak menentu dengan algoritma
pembelajarannya.
Permasalahan yang timbul dalam menghadapi faktor ketidakpastian permintaan adalah
bagaimana meramalkan permintaan pasar replacement yang akan datang menggunakan JST
sebagai salah satu metode peramalan untuk membantu perencanaan produksi departemen
Supply Chain PT.Goodyear Indonesia, Tbk.
Algoritma pembelajaran JST yang digunakan adalah backpropagation dengan fungsi
aktivasi sigmoid. Terdapat 3 variabel yang dibutuhkan untuk pelatihan yaitu: (1) matriks input
dan target yang terdiri permintaan distributor dan telah dinormalisasi, (2) parameter pelatihan
yang terdiri dari jumlah epoch sebanyak 100.000, learning rate sebesar 0.1, 0.3, 0.5, 0.7, dan 1,
serta target error sebesar 10-7 (3) arsitektur jaringan yang terdiri dari jumlah neuron pada input
layer, hidden layer, dan output layer. Setelah dilakukan pelatihan maka dihasilkan data hasil
pelatihan, yaitu nilai MSE, bobot dan bias akhir. Data hasil pelatihan selanjutnya akan
digunakan untuk mensimulasikan data uji tujuannya agar diketahui nilai learning rate dan
arsitektur jaringan yang memiliki kemampuan generalisasi terbaik. Data uji yang telah
disimulasikan kemudian akan didenormalisasi untuk menghitung nilai Mean Absolute Error
(MAE).
Learning rate yang menghasilkan nilai MAE terkecil yaitu 0.5 sedangkan arsitektur
jaringan yang menghasilkan nilai MAE terkecil yaitu dengan jumlah hidden layer 1 buah dan
hidden neuron didalamnya sebanyak 30 buah. Nilai MAE yang dihasilkan dengan learning rate
0.5 dan jumlah hidden neuron pada arsitektur jaringan sebanyak 30 buah yaitu sebesar
308.7272, dengan nilai error rata-rata dari 11 data uji sebesar 10.64%. Tingkat error yang
dihasilkan oleh JST pada penelitian ini sudah dapat menyamai tingkat error yang dihasilkan
metode eksisting yaitu sampai dengan 10%. Tingkat error yang masih tinggi yang dihasilkan
oleh JST disebabkan kemampuan generalisasi yang belum baik. Generalisasi yang belum baik
ini lebih disebabkan karena data permintaan GT3 tipe 195/70 R14 GT3 91T TL yang
digunakan untuk menggambarkan keadaan permintaan terhadap GT3 itu sendiri berfluktuatif
sehingga data yang dimasukkan ke jaringan syaraf tiruan tidak dapat membuat suatu pola yang
baik. Selain itu tingkat kesulitan yang ditangani cukup tinggi karena permintaan GT3 sendiri
dipengaruhi faktor eksternal yang menyebabkan permintaan setiap bulan seringkali tidak
menentu. Peramalan, Jaringan Syaraf Tiruan, Backpropagation, Pasar Replacement,Goodyear