Digital Twin Rantai Pasok UMKM Berbasis GNN untuk Prediksi Permintaan dan Optimasi Persediaan

Abstrak

Ketidakpastian permintaan dan keterbatasan visibilitas antaraktor menyebabkan UMKM sering mengalami kelebihan atau kekurangan persediaan. Penelitian ini mengembangkan Digital Twin rantai pasok UMKM berbasis Graph Neural Network (GNN) yang mengintegrasikan representasi graf heterogen, prediksi spasial-temporal, dan simulasi generatif untuk mendukung keputusan persediaan secara closed-loop. Eksperimen terkontrol menggunakan data simulasi 150 minggu pada graf berarah yang terdiri atas 36 simpul dan 78 relasi pemasok-gudang-UMKM-produk. Model residual GCN-GRU dibandingkan dengan naive forecast, Random Forest, dan LSTM menggunakan MAE, RMSE, MAPE, serta R². Prediksi selanjutnya dihubungkan dengan kebijakan order-up-to yang mengoptimalkan safety factor per simpul melalui simulasi Monte Carlo. Hasil menunjukkan bahwa GCN-GRU memperoleh MAE 4,995, RMSE 6,749, MAPE 9,887%, dan R² 0,818, lebih baik daripada LSTM dengan MAE 5,318 dan R² 0,802. Integrasi Digital Twin menurunkan biaya persediaan menjadi 26.814,62 unit biaya, atau 9,64% lebih rendah daripada kebijakan berbasis LSTM, sekaligus menurunkan rata-rata persediaan 10,85% dengan service level 99,96%. Uji sensitivitas hingga 20% gangguan pasokan mempertahankan keunggulan biaya Digital Twin. Kebaruan penelitian terletak pada penyatuan pembelajaran graf spasial-temporal dan simulasi generatif untuk mengoptimalkan kebijakan persediaan node-specific dalam satu siklus Digital Twin yang dapat diperbarui secara dinamis