Penelitian ini menegaskan bahwa teknologi machine learning, terutama algoritma SARIMA, memiliki potensi besar untuk meningkatkan akurasi prediksi dalam manajemen persediaan barang pokok di Indonesia. Dengan MAPE serendah 0.74% pada data yang dimodifikasi, algoritma ini terbukti mampu membantu UMKM dan ritel modern dalam menyesuaikan stok barang mereka secara lebih efisien sesuai dengan dinamika pasar. Penerapan teknologi ini dapat mengurangi risiko overstock maupun kekurangan stok, yang pada gilirannya akan meningkatkan profitabilitas bisnis.
Namun, keberhasilan implementasi teknologi ini sangat bergantung pada dukungan yang kuat dari berbagai pihak, termasuk pemerintah dan institusi pendidikan. Pelatihan, akses terhadap teknologi, serta penguatan infrastruktur digital adalah kunci untuk memastikan bahwa UMKM dapat memanfaatkan potensi penuh dari machine learning dalam manajemen persediaan mereka. Tanpa upaya kolaboratif ini, adopsi teknologi canggih oleh UMKM mungkin akan terhambat.
Sebagai kesimpulan, SARIMA dan algoritma machine learning lainnya dapat menjadi game-changer dalam dunia bisnis Indonesia, terutama di sektor UMKM. Dengan dukungan yang tepat, penerapan teknologi ini tidak hanya akan meningkatkan efisiensi operasional tetapi juga mendorong pertumbuhan ekonomi yang lebih inklusif dan berkelanjutan di Indonesia.
Referensi :Â
Avinash, Widjaja, A., & Karnalim, O. (2024). Analisis perbandingan algoritma machine learning untuk forecasting persediaan produk barang pokok. Jurnal Teknik Informatika dan Sistem Informasi, 10(2). http://dx.doi.org/10.28932/jutisi.v10i2.9357
Â
