Peramalan Hasil Produksi Wafer Cokelat Di Industri Makanan Ringan Berbasis Machine Learning Untuk Memenuhi Kebutuhan Permintaan
DOI:
https://doi.org/10.31004/ijisk.v3i4.552Keywords:
Random Forest, peramalan produksi, Orange Data Mining, permintaan, machine learningAbstract
Penelitian ini bertujuan mengembangkan dan mengevaluasi model peramalan hasil produksi Wafer Cokelat menggunakan Random Forest untuk mendukung pemenuhan permintaan. Penelitian menggunakan pendekatan kuantitatif dengan data historis permintaan dan produksi PT Wafer Cokelat periode Januari 2023 sampai Desember 2025. Data perusahaan berjumlah 9.680 catatan, sedangkan penelitian menggunakan 385 catatan sebagai sampel. Tahap analisis meliputi pengumpulan data, pembersihan data, normalisasi, pembagian data, pemodelan Random Forest pada Orange Data Mining, serta evaluasi menggunakan MSE, RMSE, MAE, MAPE, sMAPE, dan R². Hasil pengujian menunjukkan MSE sebesar 2.871.874,787, RMSE 1.694,690, MAE 1.335,492, MAPE 18,352%, sMAPE 13,454%, dan R² 0,903. Nilai MAPE menunjukkan kategori peramalan yang baik, sedangkan R² menunjukkan bahwa model menjelaskan 90,3% variasi data pada pengujian. Perbandingan dengan Exponential Smoothing pada POM-QM menunjukkan bahwa Random Forest lebih adaptif terhadap fluktuasi data. Model ini dapat digunakan sebagai dasar pendukung perencanaan produksi dan pengendalian persediaan, dengan tetap mempertimbangkan pembaruan data dan variabel eksternal.
References
Avinash, A., Widjaja, A., & Karnalim, O. (2024). Analisis perbandingan algoritma machine learning untuk forecasting persediaan produk barang pokok. Jurnal Teknik Informatika dan Sistem Informasi, 10(2). https://doi.org/10.28932/jutisi.v10i2.9357
Cuandra, F., Haqiqi Ali, L. S. W., Kurniawan, J., & Bisnis dan Manajemen, F. (2023). Pengaplikasian teori manajemen operasional pada perusahaan manufaktur PT Asia Cocoa Indonesia. SEIKO: Journal of Management & Business, 6(2), 395-408.
Demšar, J., & Zupan, B. (2024). Hands-on training about data clustering with Orange data mining toolbox. PLOS Computational Biology, 20(12). https://doi.org/10.1371/journal.pcbi.1012574
Dobesova, Z. (2024). Evaluation of Orange data mining software and examples for lecturing machine learning tasks in geoinformatics. Computer Applications in Engineering Education, 32(4). https://doi.org/10.1002/cae.22735
Ekinci, G., & Ozturk, H. K. (2025). Forecasting wind farm production in the short, medium, and long terms using various machine learning algorithms. Energies. https://doi.org/10.3390/en18051125
Hanif, M. A., Wahyuni, N. S. D., & Manajemen Informatika, J. (2024). Implementasi model triple exponential smoothing guna memprediksi persediaan produk berbasis website. International Journal of Computer Science Research, 3(1). https://subset.id/index.php/IJCSR
Ibrahim, M. N. R. (2025). Price forecasting of shallots using the machine learning approach of Random Forest Regression supporting price stabilization. Jurnal Keteknikan Pertanian, 13(3), 449-461. https://doi.org/10.19028/jtep.013.3.449-461
Ichwani, A., Wahyu, L., Saputro, A., Putra Pradana, G., & Maulindar, J. (2025). Implementasi algoritma Random Forest untuk prediksi permintaan dan optimasi stok pada sistem manajemen inventori layanan pengiriman makanan. Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB), 2025. https://doi.org/10.47701/e99md674
Lotfi, R., Gholamrezaei, A., Kadłubek, M., Afshar, M., Ali, S. S., & Kheiri, K. (2022). A robust and resilience machine learning for forecasting agri-food production. Scientific Reports. https://doi.org/10.1038/s41598-022-26449-8
Mahendra, I. G. A. P., Wibowo, M. I., & Lestari, I. G. A. N. (2026). Comparative forecasting of Kalimantan palm oil production using classical, machine learning, and deep learning models. Jurnal Teknologi dan Open Source. https://doi.org/10.36378/jtos.v9i1.5765
Nassibi, N., Fasihuddin, H., & Hsairi, L. (2023). Demand forecasting models for food industry by utilizing machine learning approaches. International Journal of Advanced Computer Science and Applications, 14(3).
Panda, S. K., & Mohanty, S. N. (2023). Time series forecasting and modeling of food demand supply chain based on regressors analysis. IEEE Access, 11, 42679-42700. https://doi.org/10.1109/ACCESS.2023.3266275
Rayadin, M. A., Musaruddin, M., Saputra, R. A., & Isnawaty, I. (2024). Implementasi ensemble learning metode XGBoost dan Random Forest untuk prediksi waktu penggantian baterai aki. BIOS: Jurnal Teknologi Informasi dan Rekayasa Komputer, 5(2), 111-119. https://doi.org/10.37148/bios.v5i2.128
Ridwan, M., Purnomo, H., & Oktyajati, N. (2021). Peramalan produksi beras di Provinsi Jawa Tengah. Tekinfo: Jurnal Ilmiah Teknik Industri dan Informasi, 9(2), 114-126. https://doi.org/10.31001/tekinfo.v9i2.1182
Sedai, A., Dhakal, R., Gautam, S., Dhamala, A., Bilbao, A., Wang, Q., Wigington, A., & Pol, S. (2023). Performance analysis of statistical, machine learning and deep learning models in long-term forecasting of solar power production. Forecasting. https://doi.org/10.3390/forecast5010014
Seyedan, M., & Mafakheri, F. (2020). Predictive big data analytics for supply chain demand forecasting: Methods, applications, and research opportunities. Journal of Big Data, 7(1). https://doi.org/10.1186/s40537-020-00329-2
Yasin, F., Firmansyah, M. R., Aldo, D., & Amrustian, M. A. (2025). Multivariate forecasting of paddy production: A comparative study of machine learning models. Jurnal Teknik Informatika (JUTIF). https://doi.org/10.52436/1.jutif.2025.6.3.4681
