Editorial Ekonomi & Bisnis
Open AccessOA2024
Pendekatan Deep Learning untuk Memprediksi Risiko Keterlambatan Pengiriman Rantai Pasok Berdasarkan Indikator Makroekonomi: Studi Kasus di Sektor Otomotif
Penelitian ini mengusulkan pendekatan deep learning yang memasukkan indikator makroekonomi untuk memprediksi risiko keterlambatan pengiriman pemasok, sekaligus mengisi celah dalam literatur saat ini. Studi kasus nyata di sektor otomotif menunjukkan kinerja yang lebih unggul dibandingkan model tradisional.
Matteo Gabellini; Lorenzo Civolani; F. Calabrese; Marco Bortoliniยท Applied Sciencesยท 2024ยท DOI 10.3390/app14114688
Masalah inti
Pengembangan pendekatan prediktif untuk memperkirakan risiko pengiriman pemasok menjadi vital bagi perusahaan yang sangat bergantung pada praktik outsourcing dan strategi manajemen lean di era ekonomi kelangkaan. Namun, literatur yang menyajikan studi tentang pengembangan pendekatan tersebut masih dalam tahap awal, dan sejumlah celah telah ditemukan. Secara khusus, sebagian besar studi saat ini menyajikan pendekatan yang hanya dapat memperkirakan apakah pemasok akan terlambat atau tidak. Selain itu, meskipun autokorelasi dalam data telah banyak dipertimbangkan dalam peramalan permintaan, hal itu diabaikan dalam prediksi risiko pengiriman pemasok. Terakhir, pendekatan saat ini sulit mempertimbangkan data makroekonomi sebagai input dan sebagian besar mengandalkan model machine learning, sementara model deep learning jarang diteliti. Kontribusi utama penelitian ini adalah mengusulkan pendekatan baru yang untuk pertama kalinya secara simultan memakai model deep learning yang mampu menangkap autokorelasi dalam data dan mengintegrasikan beberapa indikator makroekonomi sebagai input. Selanjutnya, sebagai kontribusi kedua, kinerja pendekatan yang diusulkan telah diteliti dalam studi kasus otomotif nyata dan dibandingkan dengan studi yang berasal dari pendekatan yang memakai model statistik tradisional dan model yang tidak mempertimbangkan indikator makroekonomi sebagai input tambahan.
Inovasi
Pendekatan yang diusulkan memakai model deep learning yang dirancang untuk menangkap autokorelasi dalam data deret waktu, khususnya jaringan long short-term memory (LSTM), yang sangat cocok untuk data sekuensial. Model ini mengintegrasikan indikator makroekonomi sebagai fitur input tambahan. Metodologi mencakup pengumpulan data dari studi kasus otomotif nyata, termasuk data pengiriman historis dan indikator makroekonomi yang relevan. Data diproses terlebih dahulu dan digunakan untuk melatih model deep learning. Kinerja model dievaluasi dan dibandingkan dengan tolok ukur: model statistik tradisional (misalnya ARIMA) dan model yang tidak mempertimbangkan indikator makroekonomi. Metrik evaluasi kemungkinan mencakup akurasi, presisi, recall, dan -score, meskipun abstrak tidak merincinya. Pendekatan ini bertujuan memprediksi probabilitas keterlambatan pengiriman, sehingga memberikan penilaian risiko yang lebih terperinci daripada klasifikasi biner.
Pendahuluan
Pengembangan pendekatan prediktif untuk memperkirakan risiko pengiriman pemasok menjadi vital bagi perusahaan yang sangat bergantung pada praktik outsourcing dan strategi manajemen lean di era ekonomi kelangkaan. Namun, literatur yang menyajikan studi tentang pengembangan pendekatan tersebut masih dalam tahap awal, dan sejumlah celah telah ditemukan. Secara khusus, sebagian besar studi saat ini menyajikan pendekatan yang hanya dapat memperkirakan apakah pemasok akan terlambat atau tidak. Selain itu, meskipun autokorelasi dalam data telah banyak dipertimbangkan dalam peramalan permintaan, hal itu diabaikan dalam prediksi risiko pengiriman pemasok. Terakhir, pendekatan saat ini sulit mempertimbangkan data makroekonomi sebagai input dan sebagian besar mengandalkan model machine learning, sementara model deep learning jarang diteliti. Kontribusi utama penelitian ini adalah mengusulkan pendekatan baru yang untuk pertama kalinya secara simultan memakai model deep learning yang mampu menangkap autokorelasi dalam data dan mengintegrasikan beberapa indikator makroekonomi sebagai input. Selanjutnya, sebagai kontribusi kedua, kinerja pendekatan yang diusulkan telah diteliti dalam studi kasus otomotif nyata dan dibandingkan dengan studi yang berasal dari pendekatan yang memakai model statistik tradisional dan model yang tidak mempertimbangkan indikator makroekonomi sebagai input tambahan.
Mengapa penting
Penelitian ini menjawab celah kritis dalam literatur dengan mengusulkan pendekatan baru yang secara simultan memanfaatkan deep learning dan indikator makroekonomi untuk prediksi risiko pengiriman pemasok. Temuan menegaskan nilai penyertaan faktor makroekonomi, yang sering diabaikan dalam model tradisional. Kinerja unggul model deep learning dapat dikaitkan dengan kemampuannya menangkap dependensi temporal yang kompleks dan autokorelasi dalam data. Studi kasus otomotif memvalidasi pendekatan ini dalam lingkungan dunia nyata, sehingga menunjukkan bahwa perusahaan dapat memperoleh manfaat dari prediksi risiko yang lebih akurat. Namun, penelitian ini mungkin memiliki batasan seperti generalisasi ke sektor lain dan kebutuhan akan dataset yang besar. Penelitian selanjutnya dapat mengeksplorasi integrasi sumber data tambahan dan penerapan arsitektur deep learning lainnya. Secara keseluruhan, penelitian ini berkontribusi pada kemajuan analitik prediktif dalam manajemen rantai pasok.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten memberโฆ