Implementasi Algoritma Random Forest untuk Prediksi Permintaan dan Optimasi Stok pada Sistem Manajemen Inventori Layanan Pengiriman Makanan
DOI:
https://doi.org/10.47701/e99md674Keywords:
Random Forest, prediksi permintaan, manajemen inventori, pengiriman makanan, CRISP-DMAbstract
Industri pengiriman makanan menghadapi tantangan besar dalam pengelolaan inventori akibat sifat produk yang mudah rusak dan fluktuasi permintaan yang tinggi. Penelitian ini bertujuan mengembangkan sistem prediksi permintaan dan optimasi stok berbasis algoritma Random Forest, menggunakan metode CRISP-DM dengan data historis dari Kaggle dan implementasi sistem web berbasis Python Flask. Hasil penelitian menunjukkan Random Forest memiliki kinerja terbaik dibandingkan Decision Tree dan Linear Regression, dengan skor MSE 109.570,40, RMSE 331,01, dan R² sebesar 0,26. Skor R² ini secara spesifik mengindikasikan bahwa model hanya mampu menjelaskan 26% dari variabilitas data permintaan. Performa yang terbatas ini utamanya disebabkan oleh ketiadaan variabel eksternal yang krusial seperti data cuaca atau hari libur nasional dalam dataset yang digunakan, yang diketahui sangat mempengaruhi dinamika pasar.Meskipun demikian, model ini berhasil membuktikan keunggulan Random Forest dalam menangani hubungan non-linier dan dapat mendukung estimasi kebutuhan stok mingguan melalui sistem manajemen inventori yang fungsional. Visualisasi seperti grafik feature importance dan heatmap korelasi juga diimplementasikan untuk membantu pemahaman pola data serta pengambilan keputusan. Penelitian ini menegaskan potensi besar machine learning sebagai fondasi sistem prediksi di rantai pasok makanan, dengan rekomendasi utama untuk pengembangan selanjutnya adalah memperkaya dataset dengan variabel eksternal guna meningkatkan akurasi model secara signifikan.
References
[1] A. Alhidayatullah, S. Putri, N. Hastarita, and A. R. Regina, “ANALISIS SUPPLY CHAIN PADA USAHA MIKRO: STUDI KASUS RICE BOWL TRUSTMEE DI KOTA METRO,” Jurnal Inspirasi Ilmu Manajemen, vol. 3, no. 2, pp. 98–104, Feb. 2025, doi: 10.32897/JIIM.2025.3.2.4086.
[2] V. Ikpe and M. Shamsuddoha, “Functional Model of Supply Chain Waste Reduction and Control Strategies for Retailers—The USA Retail Industry,” Logistics 2024, Vol. 8, Page 22, vol. 8, no. 1, p. 22, Feb. 2024, doi: 10.3390/LOGISTICS8010022.
[3] S. Teerasoponpong and A. Sopadang, “Decision support system for adaptive sourcing and inventory management in small- and medium-sized enterprises,” Robot Comput Integr Manuf, vol. 73, p. 102226, Feb. 2022, doi: 10.1016/J.RCIM.2021.102226.
[4] A. Alsanad, “Forecasting Daily Demand of Orders Using Random Forest Classifier,” 2018.
[5] R. M. van Steenbergen, “New Product Forecasting with Analogous Products : Applying Random Forest and Quantile Regression Forest to forecasting and inventory management,” 2019.
[6] S. K. Panda and S. N. Mohanty, “Time Series Forecasting and Modeling of Food Demand Supply Chain Based on Regressors Analysis,” IEEE Access, vol. 11, pp. 42679–42700, 2023, doi: 10.1109/ACCESS.2023.3266275.
[7] C. Schröer, F. Kruse, and J. M. Gómez, “A Systematic Literature Review on Applying CRISP-DM Process Model,” Procedia Comput Sci, vol. 181, pp. 526–534, Jan. 2021, doi: 10.1016/J.PROCS.2021.01.199.
[8] P. Appiahene, Y. M. Missah, and U. Najim, “Predicting Bank Operational Efficiency Using Machine Learning Algorithm: Comparative Study of Decision Tree, Random Forest, and Neural Networks,” Advances in Fuzzy Systems, vol. 2020, no. 1, p. 8581202, Jan. 2020, doi: 10.1155/2020/8581202.
[9] J. Torres, D. Carpio, and V. Parasi, “Model to Predict Inventory Demand in Retail SMEs Using CRISP-DM and Machine Learning,” Proceedings of the 2024 IEEE 31st International Conference on Electronics, Electrical Engineering and Computing, INTERCON 2024, 2024, doi: 10.1109/INTERCON63140.2024.10833461.
[10] D. Chicco, M. J. Warrens, and G. Jurman, “The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation,” PeerJ Comput Sci, vol. 7, pp. 1–24, Jul. 2021, doi: 10.7717/PEERJ-CS.623/SUP
