<![CDATA[Penelitian ini mengatasi tantangan dalam manajemen persediaan harian Kantin Kasih Ibu yang membutuhkan estimasi penjualan yang akurat untuk meminimalkan kerugian akibat overstock atau out-of-stock.Tujuan utamanya adalah menerapkan dan mengevaluasi kinerja algoritma Random Forest Regressor (RFR) untuk peramalan Total Penjualan Harian. Metode yang dipilih adalah RFR karena kemampuannya dalam menangani hubungan non-linear dan ensemble learning . Data yang digunakan adalah 93 observasi penjualan harian yang direkayasa fiturnya meliputi Lag Feature dan Day of Week. Validasi model dilakukan secara ketat menggunakan strategi Walk-Forward Validation (WFV) untuk menjamin objektivitas hasil prediksi.Hasil evaluasi menunjukkan bahwa model RFR memiliki kemampuan prediksi yang sangat kuat. Kinerja model terbukti dengan nilai Coefficient of Determination ().Rata-rata sebesar 0.9015, yang berarti lebih dari 90% variasi penjualan dapat dijelaskan oleh model. Kesalahan prediksi rata-rata (MAE) model adalah Rp 23.150,84, dengan RMSE sebesar Rp 28.905,32. Analisis Feature Importance menegaskan bahwa fitur Penjualan_Lag_1 adalah prediktor yang paling dominan, menyoroti time dependency kuat pada data. Perbandingan MAE dan RMSE mengindikasikan model sensitif terhadap outlier penjualan ekstrem. Disimpulkan bahwa RFR yang diuji dengan WFV terbukti robust dan efektif sebagai alat pendukung keputusan untuk optimasi inventaris harian Kantin Kasih Ibu.]]>
Copyrights © 2026
