OPTIMASI HYPERPARAMETER XGBOOST UNTUK PERAMALAN PERMINTAAN BERBASIS DATA TIME SERIES

Abstract

Peramalan permintaan merupakan aspek penting dalam pengelolaan penjualan ritel karena membantu perusahaan menyesuaikan ketersediaan barang dengan kebutuhan pasar. Data penjualan ritel umumnya bersifat fluktuatif dan dinamis, sehingga ketidakakuratan peramalan dapat menyebabkan kelebihan atau kekurangan persediaan serta menurunkan efisiensi operasional. Penelitian ini bertujuan untuk meningkatkan akurasi peramalan permintaan berbasis data time series menggunakan algoritma XGBoost melalui optimasi hyperparameter. Metode penelitian meliputi preprocessing data, pemeriksaan missing value dan duplikasi, pembentukan fitur lag serta variabel diskon, pembagian data berdasarkan urutan waktu, dan pengujian enam kombinasi hyperparameter yang terdiri dari learning rate, max depth, dan n_estimators. Evaluasi model dilakukan menggunakan MAE, RMSE, dan MAPE untuk mengukur tingkat kesalahan prediksi. Hasil penelitian menunjukkan bahwa kombinasi terbaik diperoleh pada learning rate 0,10, max depth 2, dan n_estimators 50, dengan MAE sebesar 1,7269, RMSE sebesar 2,1112, dan MAPE sebesar 9,5985%. Model mampu mengikuti pola penjualan secara umum, meskipun masih terdapat selisih pada periode dengan fluktuasi tinggi. Hasil ini menunjukkan bahwa optimasi hyperparameter XGBoost efektif digunakan untuk meningkatkan akurasi peramalan permintaan berbasis time series serta mendukung proses pengambilan keputusan persediaan