PREDIKSI PERSEDIAAN DAN PERMINTAAN PASAR DENGAN MENGGUNAKAN METODE RANDOM FOREST DAN PRINCIPAL COMPONENT ANALYST

Fransiscus Aditya Wibowo; Mardiani Mardiani

doi:10.46764/teknimedia.v7i1.358

Fransiscus Aditya Wibowo Universitas Multi Data Palembang
Mardiani Mardiani Fakultas Ilmu Komputer dan Rekayasa, Universitas Multi Data palembang

DOI: https://doi.org/10.46764/teknimedia.v7i1.358

Kata Kunci: Inventory Prediction, Machine Learning, Market Demand, PCA, Random Forest

Abstrak

Ketidaktepatan dalam memprediksi kebutuhan stok dan permintaan pasar merupakan permasalahan utama yang dihadapi oleh PT Bintang Jaya, yang berpotensi menimbulkan kelebihan stok (overstock) maupun kekurangan stok (stockout). Permasalahan ini terjadi karena proses perencanaan stok masih bergantung pada pendekatan manual dan pengalaman historis tanpa pemanfaatan analisis data secara optimal. Oleh karena itu, penelitian ini bertujuan untuk menerapkan teknik prediksi berbasis machine learning dalam memprediksi kebutuhan stok dan permintaan pasar secara lebih akurat. Metode yang digunakan dalam penelitian ini adalah algoritma Random Forest sebagai model baseline, serta Random Forest berbasis Principal Component Analysis (PCA) sebagai model hybrid untuk mengevaluasi pengaruh reduksi dimensi terhadap kinerja prediksi. Data yang digunakan merupakan data historis transaksi penjualan PT Bintang Jaya periode 2022–2024 yang diolah melalui tahapan pra-pemrosesan, agregasi bulanan, dan pembentukan fitur time series. Hasil penelitian menunjukkan bahwa model Random Forest mampu memberikan prediksi permintaan yang lebih stabil dan mendekati nilai aktual dibandingkan model hybrid RF+PCA. Penerapan PCA tidak meningkatkan kinerja prediksi karena karakteristik data yang berdimensi rendah dan bersifat non-linear. Hasil penelitian ini dengan model Random Forest sebagai baseline menunjukkan performa yang baik dan stabil, ditandai dengan nilai MAE dan RMSE yang konsisten serta koefisien determinasi (R²) sekitar 0,69, yang berarti model mampu menjelaskan kurang lebih 69% variasi permintaan berdasarkan fitur historis.

Referensi

[1] J. Lim and K. Lee, “Supply Chain Optimization Us-ing Random Forest and PCA,” International Journal of Supply Chain Management, vol. 9, no. 4, pp. 300–309, 2020.
[2] A. Budi and F. Ahmad, “Prediksi Penjualan Bahan Bangunan Menggunakan Principal Component Analysis dan Random Forest,” Jurnal Sistem Infor-masi, vol. 15, no. 2, pp. 120–130, 2019.
[3] A. Dharma, “Penerapan Algoritma Random Forest untuk Prediksi Churn Pelanggan di Sektor Ritel,” Jurnal Teknologi Informasi, vol. 8, no. 2, pp. 55–66, 2023.
[4] L. Gao, W. Zhang, and H. Chen, “Comparison of Random Forest and KNN for Product Classifica-tion,” International Journal of Data Science, vol. 5, no. 2, pp. 89–99, 2020.
[5] L. Chen, S. Wang, and Y. Zhou, “Applying PCA in Real Estate Valuation Models,” Journal of Property Science, vol. 12, no. 4, pp. 123–132, 2017.
[6] R. F. Tarigan, J. T. Informatika, S. Tinggi, T. Hara-pan, and S. M. Honda, “Sistem Pendukung Kepu-tusan Untuk Pembelian Sepeda Motor Merek Honda Menggunakan Metode Analytic Hierarchy Process,” pp. 1–9.
[7] Q. Lu, Z. Li, M. Kihl, L. Zhu, and W. Zhang, “CF4BDA: A Conceptual Framework for Big Data Analytics Applications in the Cloud,” IEEE Access, vol. 3, pp. 1944–1952, 2015, doi: 10.1109/ACCESS.2015.2490085.
[8] R. Akbar, “Pemanfaatan Principal Component Analysis dalam Visualisasi Data Spasial,” Jurnal Geoinformatika, vol. 10, no. 3, pp. 112–119, 2022.
[9] D. Farizal and I. Setiawan, “Reduksi Dimensi Fitur Menggunakan PCA pada Dataset Penjualan,” Jurnal Informatika, vol. 7, no. 3, pp. 210–218, 2020.
[10] R. Koushiki, “Retail Sales Forecasting: Random Forest vs LSTM,” Journal of Retail Analytics, vol. 6, no. 2, pp. 101–110, 2021.
[11] M. Ahmed, “Random Forest for Beginners: A Step-by-Step Explanation,” International Journal of Da-ta Science, vol. 3, no. 1, pp. 45–53, 2018.
[12] I. T. Jolliffe and J. Cadima, “Principal Component Analysis: A Review and Recent Developments,” Philosophical Transactions of the Royal Society A, vol. 374, no. 2065, p. 20150202, 2016.
[13] W. Sari and R. Taufik, “Prediksi Permintaan Produk Digital Menggunakan Algoritma Random Forest,” Jurnal Informatika, vol. 9, no. 1, pp. 23–31, 2021.
[14] J. Lei, T. Wang, and M. Liu, “Sales Prediction Using PCA and Random Forest,” Journal of Big Data Ana-lytics, vol. 4, no. 1, pp. 1–12, 2019.
[15] Y. Huang, T. Yang, and J. Zhang, “Forecasting De-mand with Random Forest Algorithm in Logistics Industry,” International Journal of Forecasting and Planning, vol. 11, no. 2, pp. 97–108, 2022.
[16] C. Wu and Y. Zhang, “Seasonal Demand Forecasting Using Optimized Random Forest,” Expert Syst. Appl., vol. 210, pp. 118–130, 2025.
[17] R. Emha and S. Totok, “Stabilisasi Prediksi Kebu-tuhan Stok Barang Menggunakan Kombinasi PCA dan Random Forest,” Jurnal Teknologi Informasi, vol. 9, no. 1, pp. 45–55, 2021.
[18] L. Wu and X. Zhang, “Random Forest Parameter Tuning for Seasonal Demand Forecasting,” Journal of Applied AI and Data Science, vol. 10, no. 1, pp. 71–84, 2025.