Analisis Prediksi Stok Barang Produk Kaos Kaki Berdasarkan Pola Penjualan untuk Optimasi Persediaan Menggunakan Metode Random Forest Regression
DOI:
https://doi.org/10.32493/joaiia.v7i3.62752Keywords:
Data Penjualan, Machine Learning, Prediksi Stok, Persediaan, Random Forest RegressionAbstract
Pengelolaan persediaan yang kurang tepat dapat menyebabkan overstock maupun stockout sehingga mengganggu operasional perusahaan. PT. Wijaya Konveksi Group menghadapi tantangan dalam menentukan kebutuhan stok karena permintaan produk kaos kaki yang bersifat fluktuatif. Penelitian ini bertujuan membangun model prediksi stok menggunakan algoritma Random Forest Regression berdasarkan data historis penjualan. Data diproses melalui tahapan preprocessing, label encoding, feature engineering, serta pembagian data latih dan data uji. Kinerja model dievaluasi menggunakan MAE, MSE, RMSE, dan R². Hasil penelitian menunjukkan bahwa proses hyperparameter tuning mampu meningkatkan performa model, yang ditunjukkan dengan penurunan nilai MAE dari 112,5283 menjadi 111,0265, MSE dari 26.843,1835 menjadi 25.971,4799, RMSE dari 163,8389 menjadi 161,1567, serta peningkatan nilai R² dari 0,7440 menjadi 0,7524. Nilai koefisien determinasi tersebut menunjukkan bahwa model mampu menjelaskan sekitar 75,24% variasi kebutuhan stok berdasarkan variabel yang digunakan.
References
[1] A. A. Wijanarko and H. Imaduddin, “Implementasi Metode Random Forest Untuk Memprediksi Jumlah Penjualan Gorden Berdasarkan Data Historis,” vol. 7, no. 2, 2026, doi: 10.47065/josh.v7i2.9194.
[2] F. Wibowo, Aditya and Mardiani, “Prediksi persediaan dan permintaan pasar dengan menggunakan metode random forest dan principal component analysis,” pp. 31–40, 2024. https://doi.org/10.46764/teknimedia.v7i1.358
[3] A. Zulfia, T. N. Ilfa, Z. Damia, T. S. A. Sukiman, and A. Karima, “AI Decision Support Using Random Forest for Demand Forecasting and Stock,” vol. 5, no. 2, pp. 800–805, 2025. https://doi.org/10.47709/brilliance.v5i2.5901
[4] A. Ridwan, “Optimizing E-commerce Inventory to prevent Stock Outs using the Random Forest Algorithm Approach,” vol. 4, no. April, pp. 107–120, 2024.
[5] R. Diana Tri Susetianingtias, Eka Patriya, “DECODE : Jurnal Pendidikan Teknologi Informasi,” vol. 2, no. 2, pp. 84–95, 2022.
[6] D. Amelia, “1* , 2,” pp. 843–848, 2025.
[7] Bagus and L. Herdiman, “Penentuan Pola Permintaan Lumpy Dan Erratic Berdasarkan Peramalan TALENTA Conference Series Penentuan Pola Permintaan Lumpy Dan Erratic Berdasarkan Peramalan Permintaan Sparepart Produksi Di PT Petrokimia,” vol. 8, no. 1, 2025, doi: 10.32734/ee.v8i1.2644.
[8] N. R. Sari and A. Alfin, “Optimalisasi Rencana Produksi untuk Mengurangi Overstock dan Stockout di Divisi Production Planning and Inventory Control ( PPIC ) Menggunakan Random Forest,” vol. 5, no. 2, pp. 149–165, 2025. https://doi.org/10.55382/jurnalpustakaai.v5i2.1040
[9] A. Ichwani, E. Irawan, L. Wahyu, A. Saputro, G. P. Pradana, and J. Maulindar, “Implementasi Algoritma Random Forest untuk Prediksi Permintaan dan Optimasi Stok pada Sistem Manajemen Inventori Layanan Pengiriman Makanan,” pp. 1–7, 2025. https://doi.org/10.47701/e99md674
[10] H. A. Yasya and A. M. Irfanudin, “Pengaruh Harga dan Promosi terhadap Keputusan Pembelian Produk Kaos Kaki pada Grosir Kaos Kaki Sport Kota Depok,” vol. 1, no. 4, pp. 1085–1095, 2024.
[11] C. Lois, J. Rowena, and H. Tannady, “Perencanaan dan Pengendalian Persediaan Bahan Baku Benang dengan Lot Sizing Economic Order Quantity Sewings Raw Material ’ s Inventory Planning and Control u sing Economic Order Quantity Lot Sizing,” vol. 10, no. 2, pp. 111–118, 2017. http://dx.doi.org/10.30813/jiems.v10i2.765
[12] R. Verdiyanto, H. Dwi, and E. Purwanto, “Pengembangan Aplikasi Point of Sales untuk Prediksi Penjualan Harian Usaha Minuman Menggunakan Algoritma Random Forest Regression 1,2,3,” vol. 8, no. 1, pp. 128–139, 2025. https://doi.org/10.29408/jit.v8i1.28386
[13] R. Patlisan, “OPTIMASI AKURASI MODEL DECISION TREE MENGGUNAKAN RANDOM FOREST REGRESSION UNTUK PREDIKSI KUANTITAS,” vol. 14, no. 2, pp. 217–228, 2023.
[14] A. Sari, M. Arifin, E. Darmanto, F. Teknik, and U. M. Kudus, “Prediksi kebutuhan stok barang menggunakan algoritma random forest untuk meningkatkan efisiensi penjualan,” vol. 9, no. 2, pp. 339–351, 2025. https://doi.org/10.35145/joisie.v9i2.5154
[15] I. M. Gede, A. Baraja, and I. K. Gede, “Implementasi Algoritma Random Forest Regression dalam Sistem Prediksi Harga Rumah di Jabodetabek,” vol. 4, no. November, pp. 27–38, 2025. https://doi.org/10.24843/JNATIA.2025.v04.i01.p04
