PENERAPAN METODE EXTREME GRADIENT BOOSTING TREE (XGBOOST) UNTUK PREDIKSI PERMINTAAN BARANG PADA BISNIS RITEL

Riswanda, I Made Dwika Putra (2024) PENERAPAN METODE EXTREME GRADIENT BOOSTING TREE (XGBOOST) UNTUK PREDIKSI PERMINTAAN BARANG PADA BISNIS RITEL. Other thesis, UPN Veteran Yogyakarta.

	Text Cover.pdf Download (163kB)
	Text Lembar Pengesahan Pembimbing_Scan.pdf Download (260kB)
	Text Lembar Pengesahan Penguji_Scan.pdf Download (225kB)
	Text Abstrak.pdf Download (893kB)
	Text Daftar Isi.pdf Download (411kB)
	Text Daftar Pustaka.pdf Download (1MB)
	Text FULL_SKIRPSI_DWIKA.pdf Restricted to Repository staff only Download (4MB)

Abstract

Manajemen inventaris yang efektif memiliki dampak signifikan terhadap kesuksesan proses bisnis, khususnya dalam mencapai keseimbangan antara memenuhi permintaan pelanggan dan mengendalikan biaya persediaan. Ketika manajemen inventaris dikelola dengan baik, perusahaan dapat mengurangi biaya operasional dan meningkatkan efisiensi proses bisnis secara keseluruhan. Namun, ketidakmampuan dalam mengelola inventaris dapat menyebabkan ketidakseimbangan antara persediaan dan permintaan, yang berisiko menurunkan kinerja perusahaan. Salah satu metode yang semakin populer dalam mengatasi tantangan ini adalah Extreme Gradient Boosting (XGBoost), sebuah teknik ensemble machine learning yang terbukti efektif dalam berbagai aplikasi prediksi.

Penelitian ini bertujuan untuk mengimplementasikan metode XGBoost dalam memprediksi permintaan barang pada bisnis ritel, dengan fokus pada optimasi hyperparameter untuk meningkatkan performa model. Selain itu, penelitian ini mengevaluasi prediksi permintaan berdasarkan data dengan interval waktu harian, mingguan, dan bulanan. Evaluasi dilakukan menggunakan metrik Mean Absolute Percentage Error (MAPE) untuk mengukur kinerja model. Hasil dari penelitian ini diharapkan dapat menghasilkan sistem yang mampu mengidentifikasi parameter yang optimal dan interval waktu yang paling efektif dalam memprediksi permintaan barang, sehingga mendukung pengambilan keputusan yang lebih baik dalam manajemen inventaris.

Hasil penelitian ini menunjukkan bahwa penerapan hyperparameter tuning pada model XGBoost memiliki dampak yang signifikan terhadap peningkatan performa prediksi permintaan barang pada bisnis ritel. Pemilihan parameter yang tepat, seperti max_depth, learning_rate, n_estimators, reg_lambda, subsample, dan gamma, berkontribusi pada penurunan nilai Mean Absolute Percentage Error (MAPE) pada semua interval waktu yang dievaluasi, yaitu harian, mingguan, dan bulanan. Dari ketiga interval waktu tersebut, model dengan data interval mingguan memberikan performa terbaik dengan nilai MAPE terendah sebesar 9,51%, mengungguli interval harian dan bulanan. Temuan ini menekankan pentingnya optimasi parameter dan pemilihan interval waktu yang tepat untuk menghasilkan prediksi permintaan yang akurat dan dapat diandalkan dalam manajemen inventaris.

Kata Kunci: Prediksi Permintaan, Hyperparameter Tuning, Extreme Gradient Boosting, Multi Interval Waktu.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Prediksi Permintaan, Hyperparameter Tuning, Extreme Gradient Boosting, Multi Interval Waktu.
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Bayu Setya Pambudi
Date Deposited:	06 Nov 2024 02:39
Last Modified:	06 Nov 2024 02:39
URI:	http://eprints.upnyk.ac.id/id/eprint/41563

Actions (login required)

View Item