<![CDATA[Abstrak: CV. XYZ merupakan perusahaan percetakan daring yang menghadapi tantangan dalam memprediksi penjualan akibat fluktuasi permintaan dan keterbatasan metode analisis yang digunakan. Prediksi penjualan yang tidak akurat dapat menyebabkan ketidakseimbangan produksi dan menurunkan efisiensi operasional. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi penjualan dengan mengimplementasikan model Extreme Gradient Boosting (XGBoost) yang dioptimalkan menggunakan Bayesian Optimization. XGBoost dipilih karena kemampuannya dalam menangani data kompleks dan nonlinier, sedangkan Bayesian Optimization digunakan untuk menyempurnakan pemilihan hiperparameter secara efisien. Kebaruan penelitian ini terletak pada integrasi Bayesian Optimization sebagai strategi tuning hiperparameter XGBoost untuk prediksi penjualan pada sektor percetakan digital. Data historis penjualan dianalisis menggunakan bahasa pemrograman Python dengan SQLite sebagai basis penyimpanan data. Hasil eksperimen menunjukkan bahwa kombinasi kedua metode tersebut mampu meningkatkan performa prediksi secara signifikan, dengan nilai RMSE sebesar 8.366,6, MAE sebesar 8.000, dan skor R² sebesar 0,9748. Pendekatan ini memberikan solusi praktis bagi CV. XYZ dalam meningkatkan perencanaan produksi serta pengambilan keputusan berbasis data di sektor percetakan digital.Kata kunci: prediksi penjualan, XGBoost, Bayesian Optimization, Machine LearningAbstract: CV. XYZ is an online printing company that faces challenges in predicting sales due to demand fluctuations and limitations in the analytical methods employed. Inaccurate sales predictions can lead to production imbalances and reduced operational efficiency. This study aims to improve sales prediction accuracy by implementing an Extreme Gradient Boosting (XGBoost) model optimized using Bayesian Optimization. XGBoost is selected for its capability to handle complex and non-linear data, while Bayesian Optimization is employed to efficiently optimize hyperparameter selection. The novelty of this study lies in the integration of Bayesian Optimization as a hyperparameter tuning strategy for the XGBoost model in sales prediction within the digital printing sector. Historical sales data are analyzed using Python, with SQLite utilized as the data storage system. Experimental results demonstrate that the proposed approach significantly improves prediction performance, achieving an RMSE of 8,366.6, an MAE of 8,000, and an R² score of 0.9748. This approach provides a practical solution for CV. XYZ in enhancing production planning and data-driven decision-making in the digital printing industry.Keywords: sales forecasting, XGBoost, Bayesian Optimization, Machine Learning]]>
Copyrights © 2026
