<![CDATA[Industri pengiriman makanan menghadapi tantangan besar dalam pengelolaan inventori akibat sifat produk yang mudah rusak dan fluktuasi permintaan yang tinggi. Penelitian ini bertujuan mengembangkan sistem prediksi permintaan dan optimasi stok berbasis algoritma Random Forest, menggunakan metode CRISP-DM dengan data historis dari Kaggle dan implementasi sistem web berbasis Python Flask. Hasil penelitian menunjukkan Random Forest memiliki kinerja terbaik dibandingkan Decision Tree dan Linear Regression, dengan skor MSE 109.570,40, RMSE 331,01, dan R² sebesar 0,26. Skor R² ini secara spesifik mengindikasikan bahwa model hanya mampu menjelaskan 26% dari variabilitas data permintaan. Performa yang terbatas ini utamanya disebabkan oleh ketiadaan variabel eksternal yang krusial seperti data cuaca atau hari libur nasional dalam dataset yang digunakan, yang diketahui sangat mempengaruhi dinamika pasar.Meskipun demikian, model ini berhasil membuktikan keunggulan Random Forest dalam menangani hubungan non-linier dan dapat mendukung estimasi kebutuhan stok mingguan melalui sistem manajemen inventori yang fungsional. Visualisasi seperti grafik feature importance dan heatmap korelasi juga diimplementasikan untuk membantu pemahaman pola data serta pengambilan keputusan. Penelitian ini menegaskan potensi besar machine learning sebagai fondasi sistem prediksi di rantai pasok makanan, dengan rekomendasi utama untuk pengembangan selanjutnya adalah memperkaya dataset dengan variabel eksternal guna meningkatkan akurasi model secara signifikan.]]>
Copyrights © 2025
