ANALISIS PENERAPAN PENGELOMPOKKAN DATA PADA PROSES PERAMALAN PRODUK OTOMOTIF DI INDONESIA

Muhammad Fajry, Ir. Subagyo, Ph.D., IPU, ASEAN.Eng.

2023 | Skripsi | TEKNIK INDUSTRI

Sektor industri otomotif telah menyumbang nilai investasi mencapai Rp99,16 triliun . Selain itu, dari sektor ini juga mampu menyerap tenaga kerja langsung sebanyak 38,39 ribu orang. Sehingga, industri otomotif menjadi penting untuk dipelajari guna untuk mendukung kegiatannya. Salah satu kegiatan yang dilakukan umum oleh banyak perusahaan otomotif adalah meramalkan produk ketika akan meluncurkan atau melakukan pembaharuan. Saat ini kegiatan peramalan dilakukan dengan menggunakan data historis penjualan dari produk sebelumnya. Namun, kegiatan ini menjadi kurang akurat lagi karena terjadinya pemendekan siklus hidup pada produk mobil dalam beberapa tahun ini. Sehingga diperlukan sebuah metode yang dapat memanfaatkan data historis penjualan dalam peramalan produk otomotif baru. Salah satu metode yang berkembang adalah melakukan pengelompokkan pada data saat akan melakukan peramalan prroduk.

Penelitian ini bertujuan untuk melakukan analisis terhadap penerapan pengelompokkan data dalam proses peramalan produk otomotif di Indonesia. Kegiatan pengelompokkan data dilakukan dengan 3 metode yaitu secara kualitatif, k-means clustering, dan hierarchical k-means clustering. Sedangkan untuk metode peramalan produk yang digunakan adalah teori difusi Bass yang berfokus kepada 3 parameter utama yaitu parameter inovasi (????), imitasi (????), dan juga jumlah potensi pasar (????). Dalam menentukan metode pengelompokkan data yang terbaik digunakan perbandingan nilai error dari ketiga metode. Sedangkan untuk menilai akurasi dari penerapan pengelompokan data terhadap proses peramalan produk dilakukan cross validation.

Analisis menunjukkan bahwa metode pengelompokkan data yang paling baik dalam proses peramalan produk otomotif di Indonesia yaitu hierarchical kmeans clustering. Nilai error yang didapatkan untuk nilai ????, ????, dan ???? yaitu MAPE sebesar 21,785%, 38,233%, dan 71,700%; MAE sebesar 0,0098, 0,0449, dan 14860; dan MSE sebesar 0,0003, 0,0053, dan 1,09E+09. Namun dalam mendukung proses peramalan produk otomotif di Indonesia, metode pengelompokkan data tidak efektif dilakukan. Hal ini karena terdapat error yang tinggi ketika dilakukan cross validation. Hasil menunjukkan bahwa nilai MAPE yang besar ketika dilakukan peramalan produk Avanza dengan metode klaster. Nilai error terendah hanya 62,41%. Sedangkan ketika menggunakan data historis sejenis, nilai error yang didapatkan lebih kecil yaitu 34,14%.

The automotive industry sector has contributed an investment value of Rp99.16 trillion. In addition, this sector is also able to absorb direct labour of 38.39 thousand people. Thus, the automotive industry is important to study in order to support its activities. One of the activities carried out commonly by many automotive companies is forecasting products when launching or updating. Currently, forecasting activities are carried out using historical sales data from previous products. However, this activity has become less accurate due to the shortening of the life cycle of car products in recent years. So a method is needed that can utilise historical sales data in forecasting new automotive products. One of the developing methods is to cluster the data when forecasting products.

This research aims to analyse the application of data clustering in the process of forecasting automotive products in Indonesia. Data clustering activities are carried out by 3 methods, namely qualitative, k-means clustering, and hierarchical k-means clustering. As for the product forecasting method used is Bass diffusion theory which focuses on 3 main parameters, namely innovation parameters (p), imitation (q), and also the number of potential markets (m). In determining the best data clustering method, a comparison of the error values of the three methods is used. Meanwhile, to assess the accuracy of the application of data clustering to the product forecasting process, cross validation is carried out.

The analysis shows that the best data clustering method in the process of forecasting automotive products in Indonesia is hierarchical k-means clustering. The error values obtained for the values of p, q, and m are MAPE of 21.785%, 38.233%, and 71.700%; MAE of 0.0098, 0.0449, and 14860; and MSE of 0.0003, 0.0053, and 1.09E+09. However, in supporting the forecasting process of automotive products in Indonesia, the data clustering method is not effective. This is because there is a high error when cross validation is performed. The results show that the MAPE value is large when forecasting Avanza products using the cluster method. The lowest error value is only 62.41%. Meanwhile, when using similar historical data, the error value obtained is smaller at 34.14%

Kata Kunci : Otomotif, Peramalan Produk, Bass Model, Historis Penjualan, Clustering