Implementasi dan Evaluasi Model Machine Learning untuk Optimalisasi Prediksi Penjualan Produk Kue Kering
-
Muhammad Abror Auliya Hilmi
*
Universitas Dian Nuswantoro, Semarang,
Indonesia
- Ajib Susanto Universitas Dian Nuswantoro, Semarang, Indonesia (*) Corresponding Author
Abstract
The modern retail sector, such as Transmart, faces difficulties in maintaining stable sales performance due to changes in consumer behavior, variations in product types, and differing store characteristics. To address this issue, this study proposes the use of the Extreme Gradient Boosting (XGBoost) machine learning algorithm to predict retail product sales volumes based on historical data from 2024–2025. The research utilizes the CRISP-DM framework, which consists of the following stages: Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, and Deployment. The data cleaning and preprocessing processes involve several steps such as data cleaning, label encoding, feature selection, and data splitting with an 80:20 ratio. The model is further evaluated using the Mean Absolute Error (MAE) and the coefficient of determination (R²) metrics to assess prediction accuracy. The findings indicate that XGBoost is capable of effectively capturing sales patterns and generating accurate predictions to support decision-making strategies in the retail sector, particularly in stock planning and sales optimization. Therefore, the implementation of this data-driven predictive approach is expected to assist companies in enhancing operational management as well as improving competitiveness in the market.
Downloads
References
W. Wardiana, “Perkembangan Teknologi Informasi di Indonesia,” Seminar dan Pameran Teknologi Informasi, 2002.
K. Hadiono dan R. C. N. Santi, “Menyongsong Transformasi Digital,” Proceeding SENDIU , hlm. 81–84, 2020.
B. W. Sari dan D. Prabowo, “Analisis Perbandingan Prediksi Harga Rumah Dengan Random Forest, Gradient Boosting, dan XGBoost,” Intellect : Indonesian Journal of Innovation Learning and Technology, vol. 4, no. 1, hlm. 42–51, 2025, doi: 10.57255/intellect.v4i1.1385.
M. A. Rayadin, M. Musaruddin, R. A. Saputra, dan Isnawaty, “Implementasi Ensemble Learning Metode XGBoost dan Random Forest untuk Prediksi Waktu Penggantian Baterai Aki,” BIOS: Jurnal Teknologi Informasi dan Rekayasa Komputer, vol. 5, no. 2, hlm. 111–119, 2024, doi: 10.37148/bios.v5i2.128.
A. A. Saputra, B. N. Sari, dan C. Rozikin, “Penerapan Algoritma Extreme Gradient Boosting (Xgboost) Untuk Analisis Risiko Kredit,” Jurnal Ilmiah Wahana Pendidikan, vol. 10, no. 7, hlm. 27–36, 2024, doi: 10.5281/zenodo.10960080.
F. L. Febrianti, I. M. Nur, A. M. Haris, dan S. Amri, “Implementasi Metode XGBoost dan SHAP untuk Klasifikasi dan Analisis Faktor Risiko Penyakit Diabetes Mellitus,” Seminar Nasional Sains Data (SENADA), vol. 2025, hlm. 336–346, 2025.
P. M. Izzati dan Fitriyani, “Implementasi Algoritma XGBoost Untuk Prediksi Capaian Bulanan Pendapatan Daerah Kota Bandung,” Jurnal Computer Science and Information Technology (CoSciTech), vol. 6, no. 2, hlm. 104–111, 2025, doi: 10.37859/coscitech.v6i2.9578.
B. Mardika, S. Utami, dan J. Widiyanto, “Identifikasi Keanekaragaman Gastropoda Kualitas Air Sungai Nogosari Pacitan,” Prosiding Seminar Nasional Simbiosis, hlm. 349–357, 2020.
A. N. Hidayat, “Implementasi XGBoost dalam Klasifikasi Gagal Ginjal Kronis Menggunakan Dataset Chronic Kidney Disease,” Jurnal Teknik Informatika dan Sistem Informasi, 2025.
S. H. Sinurat, “Analisis Big Data Dengan Metode Exploratory Data Analysis (Eda) Dan Metode Visualisasi Menggunakan Jupyter Notebook,” Jurnal Sistem Informasi dan Ilmu Komputer Prima (JUSIKOM PRIMA), vol. 4, no. 2, 2021.
M. A. Hasanah, S. Soim, dan A. S. Handayani, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir,” Journal of Applied Informatics and Computing (JAIC), vol. 5, no. 2, hlm. 103–108, 2021.
J. Syam, “Compound Annual Growth Rate (CAGR) untuk Menganalisis Tren Populasi Sapi Potong di Kabupaten Pinrang,” Jurnal Sains dan Teknologi Industri Peternakan, vol. 5, no. 2, 2025, doi: 10.55678/jstip.v5i2.2210.
F. Latuni, S. Gampu, dan Y. P. Yusup, “Analisis Tren Laporan Laba Rugi PT Astra International Tbk Tahun (2013-2023),” Global Science, vol. 5, no. 1, 2024.
R. Haris, “Analisis Tren Pasar dan Pengambilan Keputusan Berbasis Data dalam Meningkatkan Daya Saing Bisnis,” ADI Bisnis Digital Interdisiplin (ABDI Jurnal), 2024.
R. Winurputra dan D. E. Ratnawati, “Peramalan Penjualan Produk Menggunakan Extreme Gradient Boosting (XGBoost) dan Kerangka Kerja CRISP-DM untuk Pengoptimalan Manajemen Persediaan (Studi Kasus: UB Mart),” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 12, no. 2, hlm. 417–428, 2025, doi: 10.25126/jtiik.2025129451.
M. Abdillah dkk., “Implementasi XGBoost dalam Klasifikasi Gagal Ginjal Kronis Menggunakan Dataset Chronic Kidney Disease,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 12, no. 3, 2025, [Daring]. Tersedia pada: http://jurnal.mdp.ac.id
N. N. P. Pinata, I. M. Sukarsa, dan N. K. D. Rusjayanthi, “Prediksi Kecelakaan Lalu Lintas di Bali dengan XGBoost pada Python,” Jurnal Ilmiah Merpati, vol. 8, no. 3, 2020.
Z. B. P. Pratama dan Y. P. Astuti, “Perbandingan Metode Machine Learning (Linear Regression, Random Forest, dan XGBoost) dalam Memprediksi Kemiskinan di Jawa Tengah Tahun 2024,” Sistemasi: Jurnal Sistem Informasi, vol. 14, no. 5, 2025, [Daring]. Tersedia pada: http://sistemasi.ftik.unisi.ac.id
A. Cahyana, E. R. Susanto, dan Parjito, “Penerapan Algoritma XGBoost untuk Prediksi Diabetes: Analisis Confusion Matrix dan ROC Curve,” Fountain of Informatics Journal, vol. 10, no. 1, hlm. 40–50, 2025, doi: 10.21111/fij.v10i1.14311.
H. Wijaya, P. D. Hostiadi, dan E. Triandini, “Meningkatkan Prediksi Penjualan Retail Xyz dengan Teknik Optimasi Random Search pada Model Xgboost,” Prosiding Seminar Hasil Penelitian Informatika dan Komputer (SPINTER), vol. 1, no. 2, hlm. 829–833, 2024.
A. N. Rachmi, “Implementasi Metode Random Forest dan XGBoost pada Klasifikasi Customer Churn,” Universitas Islam Indonesia Yogyakarta, 2020.
L. W. Maahiroh, “Klasifikasi Turnover Karyawan Menggunakan Algoritma XGBoost (Studi kasus: Divisi Engineering, Perusahaan Jasa Pertambangan),” Universitas Islam Indonesia Yogyakarta, 2024.
S. F. Sihombing, J. P. Pakpahan, dan A. H. Lubis, “Klasifikasi Produk Iphone dengan Menggunakan Algoritma XGBoost,” Journal of Informatics Management and Information Technology, vol. 5, no. 3, hlm. 371–380, 2025, doi: 10.47065/jimat.v5i3.649.
M. F. Reza, “Implementasi Model Gated Recurrent Unit (GRU) atau Extreme Gradient Boosting (XGBoost) untuk Prediksi Harga Cryptocurrency Ethereum,” Jurnal Rekayasa Sistem Informasi dan Teknologi (JRSIT), vol. 3, no. 1, 2025,
M. K. K. Ichwanul, “Implementasi Metode XGBoost dan Feature Importance untuk Klasifikasi pada Kebakaran Hutan dan Lahan,” Journal of Software Engineering, Information and Communication Technology, vol. 1, no. 1, hlm. 11–18, 2020.
M. Salsabil, N. L. Azizah, dan A. Eviyanti, “Implementasi Data Mining dalam Melakukan Prediksi Penyakit Diabetes Menggunakan Metode Random Forest dan Xgboost,” Jurnal Ilmiah Komputasi, vol. 23, no. 1, hlm. 51–58, 2024, doi: 10.32409/jikstik.23.1.3507.
S. A. Tiastama dan I. Budi, “Perbandingan Random Search dan Algoritma Genetika dalam Penyetelan Hyperparameter XGBoost pada Retail Sales Forecasting,” The Indonesian Journal of Computer Science, vol. 13, no. 4, hlm. 6602–6613, 2024, doi: 10.33022/ijcs.v13i4.4285.
R. Abdurrosyid dan A. T. W. Almais, “Deteksi Dini Diabetes menggunakan Machine Learning dengan Metode PCA dan XGBoost,” Jurnal Edukasi dan Penelitian Informatika, vol. 11, no. 1, hlm. 51–56, 2025.
I. G. A. R. Astarani dan I. G. S. Rahayuda, “Analisis Perbandingan XGBoost dan LightGBM dalam Prediksi Penjualan Ritel Walmart Store Sales,” Jurnal Nasional Teknologi Informasi dan Aplikasinya (JNATIA), vol. 3, no. 4, hlm. 717–728, 2025.
M. M. Ibrahim, “Analisis Kinerja Model Machine Learning untuk Mendeteksi Transaksi Fraud pada Sistem Pembayaran Online,” Jurnal Ilmiah Nusantara (JINU), vol. 2, no. 3, hlm. 35–49, 2025, doi: 10.61722/jinu.v2i3.4276.
A. P. F. Prasetya dan P. H. P. Rosa, “Klasifikasi Kegagalan Pembayaran Kredit Nasabah Bank dengan Algoritma XGBoost,” Seminar Nasional Informatika Bela Negara (SANTIKA), no. 4, hlm. 366–371, 2024, [Daring]. Tersedia pada: https://www.kaggle.com/datasets/nikhil1e9/loan-default/data.
Bila bermanfaat silahkan share artikel ini
Berikan Komentar Anda terhadap artikel Implementasi dan Evaluasi Model Machine Learning untuk Optimalisasi Prediksi Penjualan Produk Kue Kering
Pages: 1649-1661
Copyright (c) 2025 Muhammad Abror Auliya Hilmi, Ajib Susanto
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
