DOI: https://doi.org/10.32734/jsti.v28i1.22207
تاريخ النشر: 2026-02-23
المؤلف: Diomen Syahputra Manik وآخرون
الموضوع الرئيسي: تقنيات التنبؤ وتطبيقاتها
نظرة عامة
تبحث هذه الدراسة في فعالية ثلاثة خوارزميات تعلم آلي – نموذج الانحدار باستخدام الغابة العشوائية، نموذج الانحدار باستخدام تعزيز التدرج، ونموذج السلاسل الزمنية بروفيت – في التنبؤ بحجم مبيعات المنتجات المشروبات أسبوعيًا في PT. XYZ، وسط تقلبات الطلب المتزايدة في قطاع المشروبات السريعة. باستخدام نهج كمي، تتضمن الدراسة عوامل متعددة مثل تسعير المنتجات، الاتجاهات الموسمية، الظروف الجوية، الدخل الفردي، مقاييس السكان، وبيانات المبيعات التاريخية. يتم تقييم أداء النموذج باستخدام مقاييس تشمل متوسط الخطأ المطلق (MAE)، متوسط الخطأ التربيعي (MSE)، الجذر التربيعي لمتوسط الخطأ التربيعي (RMSE)، ومتوسط الخطأ النسبي المطلق (MAPE).
تكشف النتائج أن نموذج بروفيت يحقق أعلى دقة مع MAPE قدره 2.33%، حيث يتفوق بشكل خاص في التقاط الاتجاهات الموسمية. في المقابل، يظهر نموذج الغابة العشوائية، مع MAPE قدره 2.47%، قدرة متفوقة في إدارة البيانات متعددة المتغيرات، مما يجعله أكثر ملاءمة للتخطيط الاستراتيجي على المدى المتوسط إلى الطويل. يحتل نموذج تعزيز التدرج المرتبة الأدنى مع MAPE قدره 2.70%. تستنتج الدراسة أنه بينما يعتبر بروفيت فعالًا للتنبؤات قصيرة المدى، فإن قدرة نموذج الغابة العشوائية على التكيف مع متغيرات الإدخال المختلفة تجعله خيارًا أكثر ملاءمة لاتخاذ القرارات التشغيلية والاستراتيجية. يُوصى باستخدام نهج هجين يجمع بين كلا النموذجين لتعزيز نظام التنبؤ بالطلب في PT. XYZ، مما يسهل التحديثات التلقائية ضمن برامج SCM/ERP الحالية لتحسين إدارة المخزون وزيادة الاستجابة لتغيرات الطلب.
مقدمة
تتناول مقدمة هذه الورقة البحثية التحديات التي تواجه قطاع المشروبات السريعة، مع التركيز بشكل خاص على PT. XYZ. تسلط الضوء على تقلبات الطلب الفريدة في هذه الصناعة، والتي تتأثر بتفضيلات المستهلكين الديناميكية، والاتجاهات الموسمية، والأنشطة التسويقية. تعتبر طرق التنبؤ التقليدية، مثل المتوسطات المتحركة والانحدار الخطي البسيط، غير كافية حيث تعتمد بشكل أساسي على بيانات المبيعات التاريخية وتفشل في أخذ المتغيرات الخارجية مثل تغييرات الأسعار، والظروف الجوية، والعوامل الاجتماعية والاقتصادية في الاعتبار. يؤدي هذا الإغفال إلى عدم دقة كبيرة في توقعات الطلب، مما يؤدي إلى حالات فائض المخزون ونقص المخزون التي يمكن أن تضر بكفاءة سلسلة التوريد وثقة العملاء.
تجادل الورقة بأن دمج نهج قائم على تعلم الآلة في التنبؤ بالطلب يمكن أن يعالج هذه التحديات بفعالية. يمكن لخوارزميات تعلم الآلة، مثل الغابة العشوائية وتعزيز التدرج، تحليل مجموعات بيانات معقدة والتعرف على الأنماط غير الخطية، مما يحسن دقة توقعات الطلب. من خلال دمج متغيرات مثل التسعير، والآثار الموسمية، والطقس، والبيانات الديموغرافية في نموذج تنبؤ موحد، يمكن لـ PT. XYZ تحسين تخطيط الإنتاج واستراتيجيات التوزيع. لا يمثل هذا التحول تقدمًا تكنولوجيًا فحسب، بل أيضًا ضرورة استراتيجية للحفاظ على التنافسية في المشهد المتطور بسرعة لصناعة 4.0.
نقاش
تستخدم الدراسة منهجية كمية وصفية تنبؤية لتطوير نموذج توقع الطلب على المنتجات لـ PT. XYZ، مع دمج كل من العوامل الداخلية والخارجية التي تؤثر على تقلبات السوق. تستخدم الدراسة خوارزميات تعلم الآلة، وبشكل خاص نموذج الانحدار باستخدام الغابة العشوائية، وتعزيز التدرج، وبروفيت، للتنبؤ بمبيعات أسبوعية من منتجات الشاي المعبأة في زجاجات من 2022 إلى 2024. شملت جمع البيانات مصادر أولية، مثل المقابلات والملاحظات، ومصادر ثانوية، بما في ذلك بيانات المبيعات التاريخية والمؤشرات الاقتصادية. كشفت التحليلات أن نموذج بروفيت تفوق على الآخرين، محققًا متوسط خطأ نسبي مطلق (MAPE) قدره 2.33%، مما يدل على دقة عالية في التقاط الاتجاهات الموسمية وتقلبات الطلب.
بينما تفوق بروفيت في دقة التنبؤ، أظهر نموذج الغابة العشوائية نقاط قوة في التعامل مع البيانات متعددة المتغيرات وتقييم تأثير مختلف المتغيرات، مثل سعر المنتج والظروف الجوية، مع MAPE قدره 2.47%. كان نموذج تعزيز التدرج، على الرغم من كونه مقبولًا مع MAPE قدره 2.70%، أقل قوة وأكثر عرضة للتكيف الزائد. تسلط الدراسة الضوء على إمكانية استخدام نهج هجين، يجمع بين بروفيت للتخطيط التشغيلي قصير المدى والغابة العشوائية للقرارات الاستراتيجية على المدى المتوسط إلى الطويل، مما يعزز نظام التنبؤ بالطلب في PT. XYZ. يهدف هذا النموذج المتكامل إلى تحسين أداء سلسلة التوريد من خلال تحسين إدارة المخزون وزيادة الاستجابة لتغيرات الطلب، مع الاعتراف بحدود مجموعة البيانات واقتراح مجالات للبحث المستقبلي.
DOI: https://doi.org/10.32734/jsti.v28i1.22207
Publication Date: 2026-02-23
Author(s): Diomen Syahputra Manik et al.
Primary Topic: Forecasting Techniques and Applications
Overview
This research investigates the efficacy of three machine learning algorithms—Random Forest Regressor, Gradient Boosting Regressor, and Prophet Time Series Model—in forecasting weekly sales volumes of beverage products at PT. XYZ, amidst increasing demand fluctuations in the fast-food beverage sector. Utilizing a quantitative approach, the study incorporates multivariate factors such as product pricing, seasonal trends, weather conditions, per capita income, population metrics, and historical sales data. Model performance is assessed using metrics including Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and Mean Absolute Percentage Error (MAPE).
The findings reveal that the Prophet model achieves the highest accuracy with a MAPE of 2.33%, particularly excelling in capturing seasonal trends. In contrast, the Random Forest model, with a MAPE of 2.47%, demonstrates superior capability in managing multivariate data, making it more suitable for medium to long-term strategic planning. The Gradient Boosting model ranks lowest with a MAPE of 2.70%. The study concludes that while Prophet is effective for short-term predictions, the Random Forest model’s adaptability to various input variables positions it as a more relevant choice for operational and strategic decision-making. A hybrid approach combining both models is recommended to enhance the demand forecasting system at PT. XYZ, facilitating automated updates within existing SCM/ERP software to optimize inventory management and improve responsiveness to demand changes.
Introduction
The introduction of this research paper examines the challenges faced by the fast-food beverage sector, specifically focusing on PT. XYZ. It highlights the unique demand fluctuations in this industry, which are influenced by dynamic consumer preferences, seasonal trends, and marketing activities. Traditional forecasting methods, such as moving averages and simple linear regression, are inadequate as they primarily rely on historical sales data and fail to account for external variables like price changes, weather conditions, and socio-economic factors. This oversight leads to significant inaccuracies in demand predictions, resulting in overstock and stockout situations that can harm supply chain efficiency and customer trust.
The paper argues that integrating a machine learning-based approach to demand forecasting could address these challenges effectively. Machine learning algorithms, such as Random Forest and Gradient Boosting, can analyze complex datasets and recognize non-linear patterns, thereby improving the accuracy of demand projections. By incorporating variables such as pricing, seasonal effects, weather, and demographic data into a unified predictive model, PT. XYZ can enhance its production planning and distribution strategies. This shift not only represents a technological advancement but also a strategic imperative for maintaining competitiveness in the rapidly evolving landscape of Industry 4.0.
Discussion
The research employs a quantitative, descriptive predictive methodology to develop a product demand prediction model for PT. XYZ, integrating both internal and external factors influencing market fluctuations. The study utilizes machine learning algorithms, specifically Random Forest Regressor, Gradient Boosting, and Prophet, to forecast weekly sales of glass bottled tea products from 2022 to 2024. Data collection involved both primary sources, such as interviews and observations, and secondary sources, including historical sales data and economic indicators. The analysis revealed that the Prophet model outperformed the others, achieving a Mean Absolute Percentage Error (MAPE) of 2.33%, indicating high accuracy in capturing seasonal trends and fluctuations in demand.
While Prophet excelled in forecasting accuracy, the Random Forest model demonstrated strengths in handling multivariate data and assessing the impact of various predictors, such as product price and weather conditions, with a MAPE of 2.47%. The Gradient Boosting model, although still acceptable with a MAPE of 2.70%, was less robust and more prone to overfitting. The study highlights the potential for a hybrid approach, combining Prophet for short-term operational planning and Random Forest for medium- to long-term strategic decisions, thereby enhancing the demand forecasting system at PT. XYZ. This integrated model aims to optimize supply chain performance by improving inventory management and responsiveness to demand changes, while acknowledging the limitations of the dataset and suggesting avenues for future research.