Publisher

PIPI

Journal JOISIE (Journal Of Information Systems And Informatics Engineering)JOISIE (Journal Of Information Systems And Informatics Engineering) Abstract

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 memberikan prediksi yang akurat dalam mengelompokkan kebutuhan stok barang, sehingga dapat dijadikan dasar untuk membuat keputusan pemesanan ulang yang lebih tepat waktu dan sesuai permintaan aktual, diharapkan dapat membantu Toko Sumini mengurangi risiko kekurangan atau kelebihan stok, meningkatkan kepuasan pelanggan, dan mendukung pertumbuhan penjualan yang lebih konsisten.

Conclusion

Penelitian membuktikan bahwa sistem prediksi kebutuhan stok berbasis Random Forest, yang dikembangkan dengan metode CRISP‑DM, memberikan akurasi tinggi (R² = 98,15 %, RMSE = 10,53, MAPE = 7,50 %) serta membantu Toko Sumini mengelola persediaan, khususnya produk dengan permintaan tinggi.Sistem ini tidak hanya mengurangi risiko kekosongan atau kelebihan stok, tetapi juga menjadi langkah awal transformasi digital pada toko ritel tradisional.Namun, keterbatasannya meliputi prediksi satu periode ke depan serta kurangnya integrasi dengan sistem POS atau ERP, sehingga disarankan pengembangan ke prediksi multi‑periode, otomatisasi restock, dan integrasi real‑time dengan POS/ERP.

Future Research

Penelitian lanjutan dapat mengeksplorasi kemampuan model prediksi multi‑periode yang memperhitungkan fluktuasi musiman dan tren jangka panjang untuk memperbaiki perencanaan persediaan, sehingga toko dapat mengantisipasi kebutuhan stok lebih proaktif. Selanjutnya, studi dapat mengembangkan mekanisme otomatisasi proses restock yang terintegrasi langsung dengan model prediksi, memungkinkan sistem secara real‑time menghasilkan rekomendasi pemesanan tanpa intervensi manual, yang diharapkan meningkatkan efisiensi operasional. Terakhir, penelitian dapat menguji integrasi model Random Forest dengan sistem POS dan ERP yang ada, memanfaatkan data penjualan aktual secara terus‑menerus untuk memperbaharui prediksi secara dinamis, serta membandingkan performa dengan algoritma machine learning lain seperti Gradient Boosting atau LSTM untuk menilai keunggulan metodologis dalam konteks toko ritel multinasional.

Metadata

File size	937.75 KB
Pages	13
DMCA	Report