<![CDATA[Khesena Auto merupakan UMKM jasa pencucian mobil di Kota Bogor yang menghadapi fluktuasi jumlah transaksi harian, sehingga perencanaan tenaga kerja, kapasitas layanan, dan kebutuhan bahan habis pakai menjadi sulit diperkirakan. Penelitian ini bertujuan membangun dan membandingkan algoritma XGBoost dan NGBoost untuk memprediksi jumlah transaksi cuci harian serta menyusun rekomendasi operasional berdasarkan hasil prediksi dan simulasi ProModel. Pengembangan model mengikuti kerangka CRISP-ML(Q) dengan pendekatan Data-Centric AI. Data berasal dari Moka POS tahun 2025, terdiri atas 350 hari operasional dan 22.518 transaksi cuci, kemudian diproses menjadi 336 observasi pemodelan melalui fitur kalender, status hari, lag, dan rolling mean. Evaluasi dilakukan menggunakan pembagian kronologis dan expanding-window walk-forward dengan metrik RMSE, MAE, dan MAPE. Hasil pengujian menunjukkan NGBoost lebih unggul dibandingkan XGBoost pada data uji dengan RMSE 18,85, MAE 15,04, dan MAPE 29,02%, sedangkan XGBoost memperoleh RMSE 20,00, MAE 16,11, dan MAPE 31,23%. NGBoost juga memberikan rentang prediksi yang setelah kalibrasi mencakup 91,9% kejadian aktual. Hasil prediksi NGBoost kemudian digunakan dalam simulasi ProModel untuk menyusun rekomendasi operasional pada kondisi sepi, normal, ramai, dan puncak. Hasil penelitian menunjukkan bahwa NGBoost lebih sesuai sebagai dasar perencanaan operasional Khesena Auto, sedangkan simulasi membantu menerjemahkan hasil prediksi menjadi rekomendasi pengelolaan sumber daya.]]>
