Peramalan Penjualan Produk Menggunakan Extreme Gradient Boosting (XGBOOST) Dan Kerangka Kerja Crisp-Dm untuk Pengoptimalan Manajemen Persediaan (Studi Kasus: Ub Mart)

Abstrak

Manajemen persediaan merupakan masalah yang umum dihadapi oleh bisnis ritel. UB Mart, sebuah bisnis ritel di Kota Malang mengalami permasalahan manajemen persediaan utamanya terkait persediaan produk yang kurang pada produk dengan perputaran penjualan yang sangat cepat. Manajemen persediaan pada UB Mart belum dilakukan menggunakan metode sistematis berbasis data, melainkan masih berdasarkan insting dan intuisi dari pengelola. Upaya yang dapat dilakukan untuk mengatasi permasalahan tersebut adalah dengan melakukan peramalan penjualan. Penelitian bertujuan untuk melakukan peramalan penjualan produk menggunakan model pembelajaran mesin Extreme Gradient Boosting (XGBoost) yang dikombinasikan dengan kerangka kerja Cross-Industry Process for Data Mining (CRISP-DM) sebagai pedoman manajemen proyek. Peramalan penjualan dilakukan dengan memanfaatkan data historis penjualan UB Mart dari bulan Januari 2020 hingga Juni 2023 terhadap 10 produk terpilih. Proses peramalan dilakukan melalui fase utama kerangka kerja CRISP-DM yaitu Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Fase Modeling melibatkan pengujian penggunaan fitur untuk melatih model dengan performa terbaik. Hasil penelitian menunjukkan penerapan kerangka kerja CRISP-DM dapat memfasilitasi proses peramalan yang terstruktur serta memperkuat validitas hasil dalam konteks bisnis UB Mart. Fitur penanda jumlah transaksi dan fitur penanda transaksi dengan volume besar menunjukkan peran yang signifikan dalam melatih model XGBoost dengan performa terbaik. Model dengan performa terbaik memiliki nilai rata-rata Mean Absolute Error sebesar 11,58 dan nilai rata-rata Root Mean Squared Error sebesar 29,19 yang menunjukkan bahwa model memiliki kemampuan peramalan yang baik.

Abstract

Inventory management is a common issue faced by retail businesses. UB Mart, a retail business in Kota Malang, is experiencing inventory management problems, particularly related to product shortages on product that have fast sales turnover. Inventory management at UB Mart has not yet been conducted using a systematic, data-driven method, but rather relies solely on the intuition and instincts of the management. One approach to addressing that problem is implementing sales forecasting. This research aims to forecast product sales using the Extreme Gradient Boosting (XGBoost) machine learning model, combined with the Cross-Industry Process for Data Mining (CRISP-DM) framework as project management guideline. The sales forecasting uses UB Mart’s historical sales data from January 2020 to June 2023 for 10 selected products. The forecasting process follows the main phases of the CRISP-DM framework: Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, and Deployment. The Modeling phase involves testing feature selection to train the model that can deliver best performance. The results of this research demonstrate that applying the CRISP-DM framework facilitates a structured forecasting process and enhances the validity of the forecast in the context of UB Mart’s business. Transaction count indicators and bulk transaction indicators significantly contribute to training the best-performing XGBoost model. The best-performing model achieved an average Mean Absolute Error of 11,58 and an average Root Mean Squared Error of 29,19, indicating the model’s good ability to forecast.