A PERANCANGAN MODEL PREDIKSI PERMINTAAN PRODUK PADA TOKO HAVE TAPE MENGGUNAKAN METODE REGRESI LINEAR

Abstract

ABSTRAK

Toko Have Tape mengalami kendala dalam memprediksi permintaan produk untuk perencanaan stok karena prosesnya masih manual dan mengandalkan intuisi. Hal ini berpotensi menyebabkan kesalahan prediksi dan manajemen stok yang tidak optimal. Penelitian ini bertujuan membangun sistem berbasis website yang mengintegrasikan model Machine Learning dengan metode Regresi Linear Berganda untuk mengotomatisasi prediksi permintaan produk, sehingga meningkatkan akurasi dan efisiensi waktu. Sistem dikembangkan menggunakan metode Waterfall. Model regresi dibangun dengan Scikit-Learn (Python) menggunakan variabel margin keuntungan dan permintaan bulan sebelumnya. Sistem diimplementasikan sebagai website dinamis dengan framework Flask untuk kemudahan akses. Hasil evaluasi model pada data produk "Lakban Coklat 100 Yard" menunjukkan nilai R² sebesar 0,382, MAPE 11,55%, dan RMSE 50,29. Pengujian fungsional (Black Box) dan struktural (White Box) membuktikan sistem berjalan sesuai spesifikasi. Simpulan penelitian adalah sistem yang dibangun berhasil mengurangi ketergantungan pada prediksi manual dan mempercepat proses peramalan di Toko Have Tape. Saran untuk pengembangan selanjutnya adalah mengeksplorasi algoritma lain dan menggunakan dataset yang lebih besar.

Kata Kunci: Prediksi Permintaan, Machine Learning, Regresi Linear Berganda, Website, Manajemen Stok.

ABSTRACT

The Have Tape store faces challenges in predicting product demand for stock planning because the process is still manual and relies on intuition. This can potentially lead to prediction errors and suboptimal stock management. This research aims to build a website-based system that integrates a Machine Learning model with the Multiple Linear Regression method to automate product demand prediction, thereby improving accuracy and time efficiency. The system was developed using the Waterfall method. The regression model was built with Scikit-Learn (Python) using profit margin and previous month's demand as variables. The system was implemented as a dynamic website with the Flask framework for easy access. Model evaluation results on the "100 Yard Brown Duct Tape" product data showed an R² value of 0.382, a MAPE of 11.55%, and an RMSE of 50.29. Functional (Black Box) and structural (White Box) testing demonstrated that the system performed according to specifications. The research concluded that the system successfully reduced reliance on manual predictions and accelerated the forecasting process at the Have Tape store. Suggestions for further development include exploring other algorithms and using a larger dataset.

Keywords: Demand Prediction, Machine Learning, Multiple Linear Regression, Website, Stock Management.