<![CDATA[Abstrak— Pengelolaan persediaan yang kurang optimal dapat menyebabkan terjadinya kelebihan maupun kekurangan stok sehingga berdampak pada efisiensi operasional bisnis ritel. Salah satu pendekatan yang dapat digunakan untuk mendukung pengelolaan persediaan adalah memanfaatkan prediksi penjualan berbasis machine learning. Penelitian ini bertujuan mengimplementasikan algoritma eXtreme Gradient Boosting (XGBoost) untuk memprediksi penjualan produk sebagai dasar dalam penyusunan ilustrasi rekomendasi stok. Penelitian menggunakan metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM) yang meliputi tahap Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Model dibangun menggunakan atribut Price, Rating, Product_Category, Product_Brand, Month, dan Day sebagai variabel prediktor, sedangkan Quantity digunakan sebagai variabel target. Hasil evaluasi menunjukkan nilai Mean Absolute Error (MAE) sebesar 1,2414, Root Mean Squared Error (RMSE) sebesar 1,4363, dan Coefficient of Determination (R²) sebesar 0,0023. Nilai R² yang rendah menunjukkan bahwa atribut yang digunakan belum memiliki daya prediktif yang memadai untuk menjelaskan variasi jumlah penjualan. Pada tahap deployment, hasil prediksi dimanfaatkan untuk menghasilkan ilustrasi rekomendasi stok berdasarkan kategori dan merek produk sebagai bentuk implementasi metodologi CRISP-DM. Namun, ilustrasi tersebut belum dapat dijadikan dasar pengambilan keputusan operasional karena kemampuan prediksi model masih terbatas. Hasil penelitian menunjukkan bahwa penambahan fitur yang lebih relevan, seperti data deret waktu (time-series) dan faktor eksternal lainnya, diperlukan untuk meningkatkan performa model prediksi penjualan. Kata Kunci— eXtreme Gradient Boosting (XGBoost), Prediksi Penjualan, Manajemen Persediaan, CRISP-DM, Machine Learning.]]>
