<![CDATA[Pengelolaan stok apotek memegang peran penting dalam menjaga ketersediaan obat dan produk kesehatan. Pengendalian stok yang kurang tepat dapat menyebabkan kekurangan stok, kelebihan stok, produk kedaluwarsa, dan kerugian operasional. Penelitian ini bertujuan membandingkan performa algoritma Random Forest dan XGBoost dalam klasifikasi status stok menggunakan pendekatan dataset multi-sumber. Dataset yang digunakan terdiri atas data stok apotek sebagai data utama serta dua dataset terbuka dari Kaggle dan GitHub yang memiliki karakteristik persediaan serupa. Penelitian menggunakan pendekatan eksperimen kuantitatif yang meliputi preprocessing, pengecekan hubungan fitur terhadap variabel target menggunakan Mutual Information, pembagian data latih dan data uji, pelatihan model, hyperparameter tuning menggunakan RandomizedSearchCV, cross validation, dan evaluasi model menggunakan accuracy, precision, recall, F1-score, serta confusion matrix. Hasil pengujian menunjukkan bahwa pada skenario parameter default, Random Forest memperoleh performa lebih baik pada Dataset 1 dan Dataset 2, sedangkan XGBoost menghasilkan performa terbaik pada Dataset 3. Setelah diterapkan hyperparameter tuning dan cross validation, XGBoost menjadi model dengan performa terbaik pada seluruh dataset dengan nilai accuracy sebesar 0,9599, 0,8295, dan 0,9979. Namun, pada Dataset 3, model XGBoost dengan parameter default masih memperoleh accuracy yang sedikit lebih tinggi dibandingkan model hasil tuning. Temuan ini menunjukkan bahwa hyperparameter tuning tidak selalu meningkatkan performa model, tetapi efektivitasnya bergantung pada karakteristik dataset. Secara keseluruhan, penelitian ini menunjukkan bahwa XGBoost merupakan algoritma yang paling konsisten untuk klasifikasi status stok pada pendekatan dataset multi-sumber.]]>
