PREDIKSI KEBUTUHAN STOK BARANG MENGGUNAKAN ALGORITMA RANDOM FOREST UNTUK MENINGKATKAN EFISIENSI PENJUALAN
DOI:
https://doi.org/10.35145/joisie.v9i2.5154Kata Kunci:
Prediksi Stok, Random Forest, Toko Ritel, Confusion Matrix, Data PenjualanAbstrak
Pengelolaan stok yang tidak optimal pada toko ritel dapat menyebabkan kerugian, baik akibat kekosongan barang saat permintaan tinggi maupun penumpukan barang yang tidak laku. Toko Sumini, sebagai toko grosir dan eceran di Desa Bacin, Kudus, masih mengelola persediaan secara manual, sehingga rentan terhadap kesalahan pencatatan dan pengambilan keputusan yang tidak berbasis data historis. Penelitian ini bertujuan untuk memprediksi kebutuhan stok barang menggunakan algoritma Random Forest berdasarkan data penjualan sebelumnya guna meningkatkan efisiensi pengelolaan stok dan mendukung peningkatan penjualan. Proses penelitian dilakukan pada platform Google Colaboratory melalui tahapan pengumpulan data, preprocessing, pelatihan model, dan evaluasi performa menggunakan metrik Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), dan koefisien determinasi (R²). Hasil evaluasi menunjukkan bahwa model memiliki performa sangat baik, dengan nilai RMSE sebesar 8.36 pada data latih dan 10.53 pada data uji, MAPE masing-masing sebesar 2.68% dan 7.50%, serta R² mencapai 99.00% (latih) dan 98.15% (uji). Model ini terbukti mampu memberikan prediksi yang akurat dalam mengelompokkan kebutuhan stok barang, sehingga dapat digunakan sebagai dasar pengambilan keputusan pemesanan ulang yang lebih tepat waktu dan sesuai permintaan aktual serta diharapkan dapat membantu Toko Sumini mengurangi risiko kekurangan atau kelebihan stok, meningkatkan kepuasan pelanggan, dan menunjang pertumbuhan penjualan yang lebih konsisten.
Unduhan
Referensi
Agustina, S. M., & Gustian, D. (2025). Analisis Kinerja Algoritma Prediksi Saham pada PT GoTo Gojek Tokopedia Tbk (GOTO). Jurnal Rekayasa Teknologi Nusa Putra, 11(1), 53–67.
Andini, P. K., Indrawan, A., & Martaseli, E. (2024). Analisis Sistem Pengendalian Internal Atas Persediaan Barang Dagang (Sparepart) Dalam Upaya Mempertahankan Laba Pada PT. Selamat Lestari Mandiri. AKUNTANSI 45, 5(2), 643–656.
Ardhanur, I., Martanto, M., Dikananda, A. R., & Mulyawan, M. (2025). Analisis Prediksi Penjualan Tisu Menggunakan Regresi Linear. Jurnal Informatika Dan Teknik Elektro Terapan, 13(2).
Farida, F. N., Faqih, A., & Permana, S. E. (2025). Penerapan Model Prediksi Penjualan Pada Usaha Rumah Makan Menggunakan Algoritma Random Forest. JATI (Jurnal Mahasiswa Teknik Informatika), 9(4), 5895–5902.
Febrian, S. R., Sunarto, A. A., & Pambudi, A. (2024). Prediksi Penjualan Suku Cadang Motor Dengan Penerapan Random Forest Di Pt Terus Jaya Sentosa Motor. JATI (Jurnal Mahasiswa Teknik Informatika), 8(5), 10507–10513.
Nikmah, N., Balqis, A., Ainurrillah, V., Putri, D., Arfian, Z., & Ikaningtyas, M. (2025). Peran Teknologi Dalam Meningkatkan Manajemen Operasional Stud Pada Sektor Industri dan Ritel. Journal of Technology and System Information, 2(3), 9.
Putra, F., & Andesa, K. (2025). Prediksi Nilai Redaman Jaringan Fiber Optik untuk Menilai Kinerja Jaringan Menggunakan Random Forest Regression. The Indonesian Journal of Computer Science, 14(2).
Sabrian, E. P. (2025). Rancang Bangun Aplikasi Keuangan Dan Pengelolaan Stok Pada Toko Berkah Jaya Furniture. UIN Raden Intan Lampung.
Sarimole, F. M., & Hakim, L. (2024). Klasifikasi Barang Menggunakan Metode Clustering K-Means Dalam Penentuan Prediksi Stok Barang. Jurnal Sains Dan Teknologi, 5(3), 846–854.
Seftyananta, R., Shalshabilla, I., Rachmawan, R. A., & Susilo, D. E. (2024). Analisis Peran Sistem Informasi Dalam Meningkatkan Efektivitas Pengendalian Persediaan Barang Dagang Pada PT. Mayora Indah Tbk. Jurnal Sistem Informasi Akuntansi (JASIKA), 4(2), 74–82.
Sholihah, N. N., & Hermawan, A. (2023). Implementation Of Random Forest And Smote Methods For Economic Status Classification In Cirebon City. Jurnal Teknik Informatika (Jutif), 4(6), 1387–1397.
Wati, F. F., Suleman, S., & Widodo, A. E. (2025). Analisis Sentimen Ulasan Pengguna Aplikasi Deepseek Menggunakan Algoritma Random Forest Dan Naive Bayes. CONTEN: Computer and Network Technology, 5(1), 8–15.
Wilda, R. W., Sukmarini, M. A., & Mahar, A. C. (2024). Prediksi Harga Saham PT. Unilever Indonesia TBK Dengan Metode Regresi Linier Sederhana. Balance: Media Informasi Akuntansi Dan Keuangan, 16(2).
Zega, A. S., & Sianturi, F. A. (2025). Pemanfaatan Big Data Dalam Sistem Pendukung Keputusan Bisnis. Jurnal Kolaborasi Sains Dan Ilmu Terapan, 3(2), 35–44.
