PENERAPAN ANALISIS TIME SERIES DAN MACHINE LEARNING DALAM PERAMALAN PERSEDIAAN KEMASAN FOLDING BOX (STUDI KASUS PT X)

Pertumbuhan industri kosmetik di Indonesia yang pesat, termasuk meningkatnya perusahaan maklon seperti PT X, menghadapi masalah pengelolaan persediaan folding box untuk produk body soap. PT X sering mengalami out of stock untuk folding box body soap sementara kemasan lainnya justru overstock. Sistem perencanaan persediaan yang masih manual dan hanya membeli bahan setelah ada pesanan berpotensi menyebabkan keterlambatan produksi dan menurunkan kepuasan pelanggan. Folding box menjadi fokus penelitian karena merupakan kemasan dengan volume persediaan terbesar untuk produk body soap. Solusi untuk mengatasi permasalahan tersebut, penelitian ini menggunakan dua metode peramalan, yaitu SARIMA dan XGBoost. SARIMA dipilih untuk menangkap pola musiman dalam data, sedangkan XGBoost digunakan karena kemampuannya memodelkan data non-linear dan kompleks. Peramalan didasarkan pada data historis persediaan folding box Januari 2023 – Desember 2024, dengan tahapan preprocessing berupa interpolasi, pembuangan outlier, dan normalisasi. Hasil penelitian menunjukkan bahwa kedua model memiliki performa prediksi yang baik, namun XGBoost secara konsisten menghasilkan akurasi yang lebih tinggi dibandingkan SARIMA. Evaluasi performa dilakukan menggunakan tiga metrik utama, yaitu Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Berdasarkan hasil evaluasi, XGBoost memperoleh nilai MAE sebesar 3.965, RMSE sebesar 6.587, dan MAPE sebesar 0,27%, seluruhnya lebih rendah dibandingkan SARIMA. Temuan ini menunjukkan bahwa XGBoost lebih unggul dalam hal akurasi, konsistensi, dan kestabilan prediksi. XGBoost terbukti lebih efektif untuk peramalan persediaan folding box body soap di PT X dibanding metode SARIMA. Implementasinya dapat meningkatkan efisiensi supply chain dan mengurangi risiko stockout. Pengembangan selanjutnya, disarankan memperluas data historis, menambah variabel prediktor, atau mengkombinasikan metode Machine Learning dengan metode Deep Learning guna meningkatkan akurasi prediksi.