Analisis Perbandingan Algoritma Machine Learning untuk Forecasting Persediaan Produk Barang Pokok

Abstrak

Abstrak —Dalam era teknologi yang terus berkembang, permintaan konsumen terhadap kebutuhan sehari-hari semakinkompleks. Perusahaan ritel harus mengadopsi pendekatan canggih untuk memahami dan memenuhi preferensi konsumen.Penelitian ini mengeksplorasi efektivitas algoritma Machine Learning dalam forecasting persediaan barang pada berbagai jenistoko ritel menggunakan data historis transaksi pembayaran dan variabel terkait. Salah satu pendekatan yang digunakan adalahtransformasi data menggunakan interval satu standar deviasi untuk menstasionerkan data, memastikan konsistensi statistik yangpenting bagi algoritma prediksi. Hasil penelitian menunjukkan bahwa algoritma Seasonal Autoregressive Integrated MovingAverage (SARIMA) memiliki kinerja terbaik dalam memprediksi persediaan barang baik untuk UMKM maupun ritel modern.Untuk data asli, MAPE untuk UMKM adalah 1.11% dan untuk ritel modern adalah 0.98%. Untuk data yang dimodifikasi denganinterval satu standar deviasi, MAPE untuk UMKM adalah 0.74% dan untuk ritel modern adalah 0.70%. Hasil ini menunjukkanakurasi prediksi yang unggul, membantu perusahaan dalam menyesuaikan stok barang dengan lebih tepat sesuai dinamika pasardan harapan konsumen.Penelitian ini diharapkan mampu memberikan pedoman solid untuk perbaikan strategi manajemenpersediaan, sehingga perusahaan dapat menyiapkan stok barang dengan lebih tepat sesuai dinamika pasar dan harapankonsumen.Kata kunci—Optimalisasi Forecasting, Perbandingan Algoritma Machine Learning, Interval satu standar deviasi, PersediaanBarang, Ritel Modern, UMKM