OPTIMASI MODEL PREDIKSI CARGO THROUGHPUT DI SELURUH PELABUHAN INDONESIA BERDASARKAN RISIKO RANTAI PASOK: APLIKASI ARTIFICIAL NEURAL NETWORK (ANN)

Indonesia sebagai negara kepulauan menghadapi tantangan berat dalam mencapai efesiensi sistem logistik maritim. Permasalahan logistik masih menjadi kendala dalam meningkatkan daya saing dan memperlancar arus distribusi komoditas wilayah, selain itu logistik yang tidak efisien mengubah kinerja perdagangan karena dapat menimbulkan biaya yang mempengaruhi perkembangan ekonomi lokal. Pelabuhan Indonesia memegang simpul penting dalam rantai pasokan yang terintegrasi secara global, dan peran mereka telah berubah dari pusat transportasi atau distribusi menjadi pusat layanan logistik terintegrasi. Dalam mengukur kinerja pelabuhan, peran cargo throughput sangat penting dikarenakan bukan hanya indeks produksi paling dasar untuk mengukur pembangunan pelabuhan, tetapi juga referensi yang signifikan untuk mengatur produksinya, membuat rencana pengembangan dan konstruksi perlabuhan.
Penelitian ini dilakukan untuk memprediksi cargo throughput pelabuhan di seluruh Indonesia dengan melihat pola risiko supply chain menggunakan Artificial Neural Network agar dapat digunakan sebagai perancangan dan pengambilan keputusan dan antisipasi risiko yang menghambat proses logistik pelabuhan yang ada di Indonesia. Data yang digunakan dalam penelitian ini yakni data timeseries cargo throughput dari tahun 2007-2020 dan data kuesioner faktor risiko supply chain yag diambil dari Pelindo Regional II dan Regional III serta Kantor Kesyahbandaran dan Otoritas Pelabuhan Indonesia.
Hasil dari perhitungan menunjukkan bahwa dengan menggunakan Artificial Neural Network (ANN) dengan pengujian 10 model ANN, Model yang paling optimal untuk dilakukan prediksi pada domestic ship call yakni pada model 5 dengan selisih MSE error paling rendah sebesar 0.08%, untuk domestic cargo loading model yang paling optimal yakni pada model 5 dengan MSE error sebesar 0.15%, sedangkan untuk domestic cargo unloading model yang paling optimal yakni model 10 dengan MSE error sebesar 0.46%. Hasil prediksi keseluruhan cargo throughput menunjukkan pola yang hampir sama dengan aktual, dimana pola mendekati dengan nilai target. Untuk pola risiko berdasarkan estimasi dampaknya terhadap prediksi cargo throughput dengan menggunakan Neural Network Clustering (NNC) dengan visualisasi Self-Organzing Map (SOM) diperoleh risiko yang memiliki dampak pada domesic ship calls yakni variabel variabel x26, x34, x36, x51, x52, x62, x63, x64, x65, x71 dan x73. Untuk domestic cargo loading yakni variabel x19, x26, x34, x51, x62, x63, x64, x65, x71 dan x73. Sedangkan untuk domestic cargo unloading yakni x19, x26, x33, x34, x37, x51, x52, x62, x63, x64, x65, x71 dan x73