IMPLEMENTASI SISTEM PREDIKSI BAHAN BAKU PRODUKSI HARIAN BERBASIS ALGORITMA RANDOM FOREST PADA UMKM AYAM GEPREK CHIKTRI
DOI:
https://doi.org/10.61722/jmia.v3i5.12978Keywords:
Prediksi, Random Forest, Bahan Baku, Machine Learning, UMKM, StreamlitAbstract
Pengelolaan persediaan bahan baku merupakan aspek penting dalam menjaga kelancaran proses produksi pada Usaha Mikro, Kecil, dan Menengah (UMKM). UMKM Ayam Geprek Chiktri masih menentukan kebutuhan bahan baku berdasarkan perkiraan, sehingga berisiko mengalami kelebihan atau kekurangan persediaan. Penelitian ini bertujuan membangun sistem prediksi kebutuhan bahan baku produksi harian menggunakan algoritma Random Forest untuk membantu memperkirakan jumlah penjualan dan kebutuhan bahan baku secara lebih akurat. Metode penelitian meliputi pengumpulan dan preprocessing data historis penjualan, pelatihan model menggunakan Random Forest Regressor, serta evaluasi model menggunakan MAE, RMSE, MAPE, dan R². Sistem kemudian diimplementasikan dalam bentuk aplikasi berbasis web menggunakan Python, Streamlit, dan MySQL. Hasil penelitian menunjukkan bahwa model Random Forest menghasilkan nilai MAE sebesar 4,34 porsi, RMSE sebesar 6,81 porsi, MAPE sebesar 7,29%, dan R² sebesar 94,09%, yang menunjukkan kemampuan model dalam memprediksi penjualan dengan sangat baik. Pengujian yang dilakukan pada sepuluh tanggal prediksi berbeda menghasilkan nilai R² pada rentang 93,95% sampai 94,30%, sehingga model terbukti konsisten dan tidak pernah berada di bawah ambang 80%. Hasil prediksi tersebut digunakan untuk menghitung kebutuhan bahan baku secara otomatis berdasarkan komposisi setiap produk. Sistem yang dibangun dapat membantu pelaku UMKM dalam merencanakan kebutuhan bahan baku secara lebih efektif, mengurangi risiko kelebihan maupun kekurangan stok, serta mendukung pengambilan keputusan dalam proses produksi.
References
Analysis, A. B. C., Penjadwalan, T., Barang, P., & Pakai, H. (2024). Analisis pengendalian persediaan bahan baku ( abc analysis ) terhadap penjadwalan produksi (pada barang habis pakai). 10(02), 119–129. https://doi.org/https://doi.org/10.59024/jis.v3i1.1073
Dalimunthe, S. B., Sinulingga, S., & Ginting, R. (2023). Implementation Of Machine Learning in Demand Forecasting : A Review of Method Used in Demand Forecasting with Machine Learning. 25(1), 41–49. https://doi.org/10.32734/jsti.
Dara Amelia, R. K. (2025). 1* , 2. 843–848.
Deivanayagampillai, N., Bhuvaneswari, T., & Suppiah, Y. (2025). Intelligent inventory prediction : A machine learning framework using random forest for inventory forecasting. 9(4), 1795–1807. https://doi.org/10.55214/25768484.v9i4.6383
Efendi, M. S., & Zyen, A. K. (2024). Penerapan Algoritma Random Forest Untuk Prediksi Penjualan Dan Sistem Persediaan Produk. 5(1), 12–20. https://doi.org/10.30865/resolusi.v5i1.2149
Gery, G., Gede, I. P., Suputra, H., Bagus, I., Dwidasmara, G., & Gde, I. A. (2024). Sales Forecasting Menggunakan Random Forest Regression Dengan Particle Swarm Optimization Pada Penjualan Superstore. 13(2).
Ihtiram, P., & Khan, R. (2024). An Overview on Python Programming. 4(2), 1–10.
Iskandar, M. Y., & Nugroho, H. W. (2025). Comparative Evaluation of Decision Tree and Random Forest for Lung Cancer Prediction Based on Computational Efficiency and Predictive Accuracy. 6(5), 3392–3404. https://doi.org/https://doi.org/10.52436/1.jutif.2025.6.5.4877
Issue, V., Rahmadhani, D., Kamila, M., Fitri, N. G., & Am, A. N. (2023). JUTIN : Jurnal Teknik Industri Terintegrasi Analisis Pengendalian Persediaan Bahan Baku Produksi dengan Metode EOQ ( Studi Kasus : Pawon Mas Herman ). 6(4), 1493–1499.
Kurniawan, M. A., Syauqi, G. Z., Safriyanti, M., Azmie, F. U., & Setiawan, A. (2025). Prediksi Pendapatan Penjualan di Indomaret Menggunakan Algoritma Random Forest Regression. 9675, 93–99.
Nurak, Y. M., Iriananda, S. W., Marisa, F., Informatika, T., Malang, U. W., Malang, K., & Forest, R. (2025). METODE RANDOM FOREST DAN XGBOOST. 9(4), 5796–5802. https://doi.org/10.36040/jati.v9i4.13922
Pamungkas, S. A. (2025). ANALISIS PENGENDALIAN PERSEDIAAN BAHAN BAKU PADA PT ANEKA ADHILOGAM KARYA MENGGUNAKAN METODE. 3(1), 171–178.
Penjualan, M., & Uchi, D. I. (2025). 3 1,2,3. 1317–1326.
Permana, A. Y., Fazri, H. N., & Athoilah, M. F. N. (2023). Penerapan Data Mining Dalam Analisis Prediksi Kanker Paru Menggunakan Algoritma Random Forest. 3(2). https://doi.org/https://doi.org/10.55606/juitik.v3i2.472
Prasetyo, O. R. (2021). Peramalan Luas Panen Padi Indonesia dengan Model ETS ( Error , Trend , Seasonal ). 9(1).
Rahayu, A. D., & Trisnaningsih, S. (2025). Analysis of Raw Material Inventory Accounting System in Inventory Control at PT Bernofarm Pharmaceutical Company. 0–7. https://doi.org/https://doi.org/10.61132/ijema.v2i4.803
Rizkiani, E., & Brahma, D. (2024). Perbandingan Performa Algoritma Metode Bagging dan Boosting pada Prediksi Konsentrasi PM 10 di Jakarta Utara. 01, 74–81. https://doi.org/https://doi.org/10.25077/TEKNOSI.v10i1.2024.74-80
Salman Al Farisi, Muhammad Iqbal Fasa, S. (2022). DALAM MENINGKATKAN KESEJAHTERAAN. 9(1), 73–84.
Sari, A., Arifin, M., Darmanto, E., Teknik, F., & Kudus, U. M. (2025). Prediksi kebutuhan stok barang menggunakan algoritma random forest untuk meningkatkan efisiensi penjualan. 9(2), 339–351. https://doi.org/https://doi.org/10.35145/joisie.v9i2.5154
Sembiring, M. A., Lubis, I. A., Royal, U., & Royal, U. (2024). Comparing the wma and ses methods for forecasting stock product of ms glow putri. X(4), 677–684. https://doi.org/10.33330/jurteksi.v10i4.3322
Sumantiawan, D. I., & Karangturi, U. N. (2024). METODE ANALASIS MENGGUNAKAN ALGORITMA RANDOM FOREST. 1(1), 1–8.
Sumarlin, T., & Qosidah, N. (2024). Optimizing Sales and Inventory Management with Machine Learning : Applications of Neural Networks and Random Forests. 3(2), 312–325.
Sutal, A. R., Pius, Y., Kelen, K., & Seran, K. J. T. (n.d.). PENERAPAN DATA MINING UNTUK PREDIKSI PENJUALAN PRODUK ELEKTRONIK TERLARIS MENGGUNAKAN METODE DECISION TREE. 7(3), 337–351
Wang, H., Zhang, H., Zhao, J., Liu, X., Feng, X., & Sun, Y. (2023). Product order-demand prediction model based on random (Vol. 18).
Zumantara, Z. J., Sudrajat, B., Asymar, H. H., Informatika, P., Teknik, F., Bina, U., Informatika, S., Komputer, P. T., Teknik, F., Bina, U., & Informatika, S. (n.d.). Perbandingan algoritma random forest dan logistic regression dalam prediksi penyakit diabetes.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 JURNAL MULTIDISIPLIN ILMU AKADEMIK
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
