Pengembangan Sistem Prediksi Permintaan untuk Perhitungan Reorder Point Menggunakan Machine Learning pada Sektor Retail (Studi Kasus: XYZ Mart)

Akbar, Andre Nugraha (2025) Pengembangan Sistem Prediksi Permintaan untuk Perhitungan Reorder Point Menggunakan Machine Learning pada Sektor Retail (Studi Kasus: XYZ Mart). S1 thesis, Universitas Andalas.

	Text (Cover dan Abstrak) 2110933034_ANDRE NUGRAHA AKBAR_ABSTRAK.pdf - Published Version Download (400kB)
	Text (BAB I Pendahuluan) 2110933034_ANDRE NUGRAHA AKBAR_BAB I.pdf - Published Version Download (369kB)
	Text (BAB VI Penutup) 2110933034_ANDRE NUGRAHA AKBAR_BAB VI Kesimpulan dan Saran.pdf - Published Version Download (343kB)
	Text (Daftar Pustaka) 2110933034_ANDRE NUGRAHA AKBAR_DAFTAR PUSTAKA.pdf - Published Version Download (322kB)
	Text (Skripsi Full Text) 2110933034_ANDRE NUGRAHA AKBAR_Full Text.pdf - Published Version Restricted to Repository staff only Download (8MB) | Request a copy

Abstract

Manajemen persediaan merupakan elemen penting dalam operasional perusahaan ritel, terutama dalam menghindari terjadinya overstock dan stockout yang dapat berdampak pada kepuasan pelanggan maupun kehilangan potensi penjualan. Permintaan konsumen yang fluktuatif dan tidak menentu menjadi tantangan dalam menentukan Reorder Point (ROP) dan Safety Stock (SS) secara akurat. Oleh karena itu, penelitian ini bertujuan untuk membangun model prediksi permintaan berbasis machine learning guna mendukung pengambilan keputusan pengendalian persediaan di XYZ Mart. Penelitian ini menggunakan data historis penjualan produk selama periode Oktober 2023 hingga September 2024. Tiga algoritma yang digunakan dalam pembangunan model adalah Decision Tree, Random Forest, dan XGBoost Regressor. Evaluasi performa dilakukan menggunakan metrik MAPE (Mean Absolute Percentage Error), RMSE (Root Mean Squared Error), serta validasi silang menggunakan TimeSeriesSplit. XGBoost dipilih sebagai model terbaik berdasarkan hasil tuning hyperparameter karena memberikan akurasi tertinggi dengan MAPE sebesar 0,0955% dan RMSE sebesar 0,0418. Fitur yang paling berkontribusi terhadap performa model adalah Lag_1_days, Rolling_Mean_3, dan KODE produk. Model yang telah dibangun kemudian diintegrasikan ke dalam sistem perhitungan ROP dan SS. Sistem ini diimplementasikan dalam bentuk dashboard interaktif berbasis Streamlit yang memungkinkan pengguna untuk memperoleh prediksi permintaan, nilai ROP dan SS, serta rekomendasi pemesanan secara otomatis. Hasil penelitian ini menunjukkan bahwa pendekatan berbasis machine learning dapat meningkatkan akurasi pengendalian persediaan dan mendukung efisiensi operasional, sehingga berkontribusi pada penerapan manajemen persediaan berbasis data di sektor ritel

Actions (login required)

View Item