Meningkatkan Prediksi Penjualan Retail Xyz Dengan Teknik Optimasi Random Search Pada Model Xgboost

Abstract

Dalam dunia ritel konvensional, prediksi penjualan sering kali bergantung pada naluri dan intuisi, namun dengan meningkatnya kompleksitas data, pendekatan ini menjadi kurang relevan. Karena itu, machine learning menjadi kunci dalam mengatasi tantangan yang dihadapi oleh peritel saat ini. Penelitian ini fokus pada meningkatkan akurasi prediksi penjualan perusahaan ritel XYZ dengan mengembangkan dan mengoptimalkan model XGBoost menggunakan teknik Random Search. Awalnya, model XGBoost memiliki koefisien determinasi (R^2) sebesar 96,50%, menunjukkan kemampuannya dalam menjelaskan variasi dalam data penjualan. Namun, setelah dilakukan optimasi menggunakan teknik Random Search, terjadi peningkatan signifikan pada R^2 menjadi 97,21%, mencerminkan peningkatan akurasi model. Selisih antara keduanya adalah sebesar 0,71%, yang menunjukkan peningkatan yang substansial setelah proses optimasi. Dengan prediksi yang lebih tepat, perusahaan dapat mengoptimalkan manajemen persediaan, meningkatkan keakuratan perencanaan produksi, dan mengalokasikan sumber daya secara optimal. Temuan penelitian menegaskan efektivitas teknik optimasi ini dalam menghasilkan prediksi penjualan yang lebih akurat untuk ritel XYZ.