<![CDATA[Persaingan yang semakin ketat di sektor ritel parfum memerlukan pengelolaan persediaan dan strategi promosi yang tepat serta terukur. Di Uchi Parfume cabang Bumiayu, proses tersebut masih dilakukan secara manual melalui perkiraan, sehingga berisiko memicu ketidakseimbangan stok dan menurunkan kinerja penjualan. Penelitian ini mengembangkan model prediksi penjualan berbasis data historis untuk memperbaiki ketepatan perencanaan dan mengoptimalkan strategi promosi. Dua algoritma machine learning, yaitu Regresi Linier dan Random Forest, diterapkan dengan metode CRISP-DM yang mencakup tahap pemahaman bisnis, pengolahan data, pemodelan, evaluasi, dan implementasi. Variabel yang dianalisis meliputi bulan, harga, diskon, varian parfum, metode pembelian, dan lokasi cabang. Hasil evaluasi berdasarkan metrik MAE, RMSE, MAPE, dan R² menunjukkan bahwa Random Forest memiliki kinerja lebih unggul dibandingkan Regresi Linier, dengan kesalahan prediksi yang lebih rendah dan kemampuan menjelaskan variasi data yang lebih tinggi. Model kemudian diterapkan ke dalam aplikasi berbasis Streamlit, yang memungkinkan pengguna melakukan analisis penjualan dan perencanaan stok secara interaktif. Penelitian ini diharapkan dapat meningkatkan efisiensi operasional Uchi Parfume dalam membuat keputusan yang lebih akurat dan efisien.]]>
Copyrights © 2025
