<![CDATA[Prediksi penjualan merupakan aspek penting dalam mendukung pengambilan keputusan strategis pada industri ritel, terutama dalam perencanaan stok dan manajemen rantai pasok. Seiring meningkatnya kompleksitas pola pembelian konsumen, diperlukan model prediksi yang mampu menangkap pola tren dan musiman secara akurat. Penelitian ini bertujuan untuk membandingkan efektivitas tiga metode prediksi, yaitu SARIMA, Exponential smoothing, dan XGBoost, dalam memprediksi jumlah produk yang terjual pada dataset Super Store periode 2014–2017. Data harian dikonversi menjadi data bulanan, kemudian melalui proses preprocessing seperti pembersihan data, pengecekan duplikasi, pemilihan atribut dan pembagian train–test. Model SARIMA dibangun dengan optimasi parameter melalui grid search, Exponential smoothing menggunakan konfigurasi tren dan musiman aditif, sedangkan XGBoost menerapkan feature engineering berbasis lag dan musiman. Evaluasi dilakukan dengan metrik MAE, MSE, RMSE, dan R². Hasil menunjukkan bahwa SARIMA memberikan performa terbaik dengan R² = 0,932, diikuti oleh Exponential smoothing dan XGBoost. Temuan ini menunjukkan bahwa metode time series tradisional lebih sesuai untuk data berpola musiman stabil dibandingkan pendekatan machine learning.]]>
Copyrights © 2025
