Implementasi Random Forest Regression untuk Prediksi Kebutuhan Bahan Baku Minyak Senggugu

Abstract

CV Tujuh Putik merupakan perusahaan yang memproduksi minyak senggugu dan menghadapi kesulitan dalam merencanakan kebutuhan bahan baku secara akurat karena proses perencanaan masih dilakukan secara manual berdasarkan perkiraan. Kondisi tersebut berpotensi menimbulkan kelebihan maupun kekurangan stok yang dapat mengganggu kelancaran produksi. Penelitian ini bertujuan untuk membangun model prediksi kebutuhan bahan baku minyak senggugu menggunakan tiga algoritme machine learning, yaitu Linear Regression, Support Vector Regression (SVR), dan Random Forest Regression, serta mengimplementasikan Random Forest Regression ke dalam prototipe aplikasi berbasis web. Metodologi penelitian menggunakan tahapan CRISP-DM yang meliputi pemahaman bisnis, pemahaman data, praproses data, pemodelan, evaluasi, dan deployment. Dataset yang digunakan berasal dari data historis operasional CV Tujuh Putik dengan variabel input berupa event e-commerce, kegiatan praktek, produk laku, bulan, dan hari, sedangkan variabel target berupa jumlah bahan baku terpakai. Dataset dibagi menjadi 80% data latih dan 20% data uji, kemudian dievaluasi menggunakan Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan R² Score. Hasil pengujian menunjukkan bahwa Support Vector Regression memperoleh nilai MAE dan RMSE terendah, masing-masing sebesar 0,0845 dan 0,1485, sedangkan Linear Regression memperoleh R² Score tertinggi sebesar 0,9958. Random Forest Regression menghasilkan MAE sebesar 0,1345, RMSE sebesar 0,3896, dan R² Score sebesar 0,9907. Berdasarkan fokus penelitian, Random Forest Regression kemudian diimplementasikan sebagai model utama pada prototipe aplikasi berbasis Flask. Aplikasi mampu menghasilkan estimasi kebutuhan bahan baku berdasarkan masukan pengguna. Pengujian sistem dilakukan menggunakan black box dan white box testing untuk memeriksa fungsi serta alur logika aplikasi.