<![CDATA[Ketepatan peramalan kebutuhan persediaan folding box menjadi faktor krusial dalam menjaga kelancaran produksi industri kosmetik, khususnya bagi perusahaan maklon dengan sistem produksi Make to Order (MTO). PT X sebagai salah satu perusahaan maklon menghadapi tantangan dalam pengelolaan persediaan kemasan folding box, yang selama ini masih dilakukan secara manual. Ketidakakuratan dalam perencanaan persediaan folding box berpotensi menimbulkan risiko stock out dan keterlambatan produksi. Penelitian ini bertujuan untuk membandingkan kinerja empat metode peramalan, yaitu SARIMA, Prophet, XGBoost, dan Random Forest, dalam memprediksi kebutuhan folding box berdasarkan data historis periode Januari 2023 hingga Desember 2024. Evaluasi kinerja model dilakukan menggunakan dua metrik utama, yaitu Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model Random Forest memberikan performa terbaik dengan RMSE sebesar 14.375,29 dan MAPE sebesar 0,66%, diikuti oleh XGBoost dan Prophet. Temuan ini memperlihatkan bahwa pendekatan machine learning lebih unggul dalam menangani pola data persediaan yang fluktuatif dibandingkan model statistik. Penerapan model prediktif ini diharapkan dapat mendukung PT X dalam menyusun strategi pengadaan folding box secara lebih tepat guna meminimalkan risiko stock out dan meningkatkan efisiensi produksi. Penelitian ini juga membuka peluang pengembangan metode lanjutan berbasis hybrid atau ensemble untuk meningkatkan akurasi prediksi di masa mendatang. Abstract The accuracy of folding box inventory demand forecasting is a crucial factor in maintaining the smooth operation of the cosmetics industry, especially for contract manufacturing companies with a Make to Order (MTO) production system. PT X, as one of the contract manufacturing companies, faces challenges in managing folding box packaging inventory, which has been done manually until now. Inaccuracies in folding box inventory planning have the potential to cause stock-out risks and production delays. This study aims to compare the performance of four forecasting methods—SARIMA, Prophet, XGBoost, and Random Forest—in predicting folding box demand based on historical data from January 2023 to December 2024. Model performance evaluation was conducted using two primary metrics: Root Mean Squared Error (RMSE) and Mean Absolute Percentage Error (MAPE). The results indicate that the Random Forest model performed best with an RMSE of 14.375.29 and a MAPE of 0,66%, followed by XGBoost and Prophet. These findings indicate that machine learning approaches are more effective in handling fluctuating inventory data patterns compared to statistical models. The implementation of these predictive models is expected to support PT X in developing more effective procurement strategies for folding boxes, thereby minimizing the risk of stockouts and improving production efficiency. This research also opens up opportunities for the development of advanced hybrid or ensemble-based methods to enhance prediction accuracy in the future.]]>
