TINJAUAN LITERATUR:

KOMPARASI KINERJA METODE TRADISIONAL, MACHINE LEARNING, DAN HIBRIDA DALAM PERAMALAN PERSEDIAAN

Abstract

Manajemen persediaan yang akurat merupakan aspek kritis dalam operasional rantai pasok, namun banyak organisasi masih mengandalkan metode tradisional yang kurang mampu menangani fluktuasi permintaan dan pola musiman yang kompleks. Seiring meningkatnya perhatian riset terhadap penerapan kecerdasan buatan di bidang manajemen persediaan—terutama pada rentang tahun 2021 hingga 2026—belum terdapat kajian komparatif yang secara sistematis merangkum dan membandingkan ketiga kategori pendekatan peramalan tersebut dalam satu kerangka analisis terpadu. Penelitian ini bertujuan membandingkan kinerja metode tradisional, machine learning, dan metode hibrida dalam peramalan persediaan. Metodologi yang digunakan adalah tinjauan literatur komparatif terhadap 30 artikel jurnal bereputasi yang diperoleh dari Scopus, ScienceDirect, IEEE Xplore, Mendeley, dan Google Scholar, dengan rentang publikasi 2021–2026, dipilih berdasarkan kriteria relevansi topik, indeksasi jurnal, dan kelengkapan pelaporan metrik evaluasi. Setiap artikel dianalisis berdasarkan jenis algoritma, karakteristik model, serta metrik evaluasi yang digunakan. Hasil kajian menunjukkan bahwa metode tradisional seperti Moving Average, Exponential Smoothing, dan ARIMA memiliki keunggulan pada kesederhanaan implementasi dan efisiensi komputasi, namun kurang presisi pada data dengan volatilitas tinggi. Metode machine learning seperti LSTM, XGBoost, dan Stacking Ensemble mampu mengenali pola nonlinier dan musiman dengan lebih baik, menghasilkan akurasi lebih tinggi. Metode hibrida—seperti kombinasi ARIMA-Prophet, LSTM-GRU, dan integrasi Reinforcement Learning dengan model prediktif—secara konsisten mencatatkan performa terbaik dengan nilai kesalahan peramalan terendah berdasarkan metrik MAPE, RMSE, dan MAE lintas studi. Penelitian ini menyimpulkan bahwa pendekatan hibrida paling efektif untuk meningkatkan akurasi peramalan persediaan, dan merekomendasikan adopsinya sebagai strategi utama dalam pengambilan keputusan manajemen stok, terutama pada lingkungan rantai pasok dengan ketidakpastian tinggi.