<![CDATA[Pengelolaan stok barang pada toko bangunan yang tidak berbasis data historis dapat menyebabkan risiko kekurangan atau kelebihan persediaan. Penelitian ini dilakukan pada CV ABC Palembang, yaitu nama samaran dari salah satu toko bangunan di Palembang. Tahapan penelitian diawali dengan identifikasi masalah, studi literatur, pengumpulan data, pre-processing dan pembentukan target, feature engineering, pemodelan, pengujian, evaluasi, serta implementasi sistem web berbasis Django. Data yang digunakan merupakan transaksi penjualan dua produk semen, yaitu Semen Dynamix 40 KG dan Semen Merdeka 40 KG, pada periode 1 Januari 2025 sampai 30 Desember 2025. Dataset mentah berjumlah 243 baris, kemudian melalui proses pembersihan menjadi 241 baris transaksi valid. Target model dibentuk menggunakan variabel Jumlah_Penjualan_Berikutnya sehingga data siap model berjumlah 239 baris. Data dibagi secara berurutan berdasarkan waktu dengan rasio 80% untuk data latih dan 20% untuk data uji. Setelah dilakukan penyesuaian hyperparameter DecisionTreeRegressor, evaluasi model menghasilkan MAE sebesar 5,86 dan RMSE sebesar 7,70. Hasil tersebut menunjukkan bahwa model mampu menghasilkan estimasi awal dalam satuan jumlah penjualan, sedangkan sistem web dapat memberikan rekomendasi stok masuk berdasarkan safety stock dan stok akhir saat ini. Inventory management in a building materials store that is not supported by historical data may increase the risk of stock shortages or excess inventory. This study was conducted at CV ABC Palembang, a pseudonym for a building materials store in Palembang, to apply the Decision Tree Regression algorithm to predict product sales in the next period and generate incoming stock recommendations. The dataset consists of sales transaction data for two cement products, namely Semen Dynamix 40 KG and Semen Merdeka 40 KG. The raw dataset contained 243 rows and was cleaned into 241 valid transaction rows. The model target was constructed using the Jumlah_Penjualan_Berikutnya variable, resulting in 239 rows of modeling data. The research stages include problem identification, literature review, data collection, preprocessing, feature engineering, model training, testing, evaluation, and web-based system implementation using Django. The dataset was split sequentially based on time using an 80% training and 20% testing ratio. After adjusting the DecisionTreeRegressor hyperparameters, the model evaluation produced an MAE of 5.86 and an RMSE of 7.70. The results indicate that the model can provide an initial sales prediction in unit form, while the web system can generate incoming stock recommendations based on safety stock and current ending inventory.]]>
