Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Teknik Industri: Jurnal Keilmuan dan Aplikasi Teknik Industri Prosiding Seminar Nasional Teknik Industri
Nada, Dhea Qurrotun
Unknown Affiliation
Engineering Industrial & Manufacturing Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Prediksi Volume Penjualan pada Retail Sembako Menggunakan Pemodelan XGBoost Ibrahim, Alza Noor; Nada, Dhea Qurrotun
Prosiding Seminar Nasional Teknik Industri Vol. 5 No. 01 (2025): Vol. 5 No. 1 (2025): Prosiding SENAM 2025: Seminar Nasional Teknik Industri Un
Publisher : Universitas Ma Chung

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Manajemen inventaris pada retail sembako menghadapi tantangan ketidakakuratan ramalan permintaan yang menyebabkan overstock atau stockout, sehingga mengganggu efisiensi operasional. Penelitian ini bertujuan mengembangkan model prediksi volume penjualan menggunakan algoritma Extreme Gradient Boosting (XGBoost) untuk meningkatkan akurasi manajemen stok. Metode yang digunakan meliputi akuisisi dan preprocessing data penjualan historis selama satu tahun dari Kaggle.com untuk empat kategori produk: Air Mineral, Minyak Goreng, Susu, dan Roti. Data tersebut kemudian dibagi menjadi data latih (80%) dan data uji (20%) untuk melatih model XGBoost. Kinerja prediktif model dievaluasi secara kuantitatif menggunakan metrik Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa model XGBoost mampu memprediksi volume penjualan dengan tingkat akurasi yang bervariasi. Performa terbaik dicapai pada produk dengan permintaan stabil seperti Roti (RMSE 5.54) dan Minyak Goreng (RMSE 6.78) , sementara performa lebih rendah teridentifikasi pada produk dengan permintaan sangat fluktuatif seperti Air Mineral (RMSE 16.04) dan Susu (RMSE 12.24). Sebagai solusi praktis untuk menutupi kelemahan prediksi, strategi penambahan alert range terbukti mampu meningkatkan tingkat pemenuhan permintaan secara signifikan. Sebagai contoh, penambahan 15 unit pada prediksi Roti mampu mencapai pemenuhan permintaan hingga 100% , sementara penambahan 20 unit pada Susu meningkatkan pemenuhan hingga 97,22%. Kombinasi antara prediksi XGBoost dan strategi alert range terbukti memiliki potensi besar dalam mengoptimalkan manajemen inventaris.
Optimization of XGBoost Hyperparameters using Three Dimensional Learning AVOA for Retail Demand Prediction Noor Ibrahim , Alza; Nada, Dhea Qurrotun; Nurdiansyah, Rudi; Andoko, Andoko
Jurnal Teknik Industri: Jurnal Keilmuan dan Aplikasi Teknik Industri Vol. 28 No. 1 (2026): June 2026
Publisher : Institute of Research and Community Outreach - Petra Christian University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.9744/jti.28.1.%p

Abstract

Accurate demand forecasting is critical for retail supply chains, particularly in the Fast-Moving Consumer Goods (FMCG) sector, where even small discrepancies between predicted and actual demand can lead to excess inventory or stock shortages. This study proposes a hybrid TDLAVOA–XGBoost model that adaptively optimizes key hyperparameters to improve forecasting accuracy and stability. The analysis is conducted using 990 FMCG inventory records from a publicly available dataset to examine the impact of metaheuristic-based optimization on model performance. The TDLAVOA algorithm identifies an effective hyperparameter configuration (max_depth = 3, learning_rate = 0.01, n_estimators = 100, gamma = 1.97, subsample = 0.57, and colsample_bytree = 0.66), enabling the proposed model to achieve an RMSE of 22.53 ± 0.50 and an MAE of 19.32 ± 0.33. Compared with the default XGBoost baseline, this represents a substantial reduction in prediction error and variability. Comparative results show that TDLAVOA–XGBoost achieves performance comparable to SARIMAX and demonstrates superior accuracy relative to deep learning models, including LSTM and MLP, for limited-sample tabular FMCG demand data. Statistical validation using one-way ANOVA and Tukey’s HSD confirms that the performance differences among models are statistically significant (p < 0.0001). Overall, the findings indicate that TDLAVOA–XGBoost provides a practical and reliable approach for supporting data-driven inventory planning in retail environments.
Co-Authors Andoko Andoko, Andoko Ibrahim, Alza Noor Noor Ibrahim , Alza Nurdiansyah Rudi