Implementasi Decision Tree untuk Prediksi Kebutuhan Bahan Kain Pada Usaha Konveksi

Septiani, Dwi (Universitas Muria Kudus)
Evanita, Evanita (Universitas Muria Kudus)
Susanto, Arief (Universitas Muria Kudus)

Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi
Vol 14, No 1: April 2025

Convection businesses often inaccurately estimate fabric demand, leading to stock waste or material shortages that disrupt production. This study aimed to improve fabric demand prediction accuracy at Threetan Collection by applying the Decision Tree Regressor algorithm. The model was developed using historical production data consisting of five key variables: pants size, fabric type, fabric brand, pants model, and order quantity. The dataset was divided into 80% training and 20% testing. Two model versions were developed: one without parameter optimization and another with hyperparameter optimization using RandomizedSearchCV. The optimized model demonstrated better performance, achieving a mean absolute error of 0.7851 yards and explaining 98.62% of data variability. The results show that the proposed model enhances fabric stock management efficiency. The model has been implemented in a web-based application using Flask and MySQL to support a more effective production process.Keywords: Decision Tree Regressor; Fabric demand prediction; Hyperparameter optimization; RandomizedSearchCV; Flask AbstrakUsaha konveksi sering mengalami kesalahan dalam estimasi kebutuhan bahan kain, yang menyebabkan pemborosan stok atau kekurangan bahan yang menghambat produksi. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi kebutuhan kain pada usaha konveksi Threetan Collection dengan menerapkan algoritma Decision Tree Regressor. Model dikembangkan berdasarkan data historis produksi yang terdiri dari lima variabel utama: ukuran celana, jenis kain, merek kain, model celana, dan jumlah pesanan. Dataset dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian. Dua versi model dikembangkan, yaitu tanpa optimasi parameter dan dengan optimasi hyperparameter menggunakan RandomizedSearchCV. Model yang dioptimasi menunjukkan performa lebih baik, dengan kesalahan absolut rata-rata sebesar 0,7851 yard dan mampu menjelaskan 98,62% variabilitas data. Hasil penelitian menunjukkan bahwa model yang diusulkan dapat meningkatkan efisiensi manajemen stok bahan kain. Model ini telah diimplementasikan dalam aplikasi berbasis web menggunakan Flask dan MySQL untuk mendukung proses produksi secara lebih efektif.