ESTIMASI PERSEDIAAN BAHAN BAKU BERBASIS MACHINE LEARNING MENGGUNAKAN PROPHET DAN XGBOOST UNTUK MENGURANGI FOOD WASTE DI MATRA COFFEE

Abstract

Pengelolaan persediaan bahan baku yang tidak akurat pada bisnis food and beverage dapat menyebabkan kelebihan stok yang berujung pada meningkatnya food waste serta pemborosan biaya operasional. Penelitian ini bertujuan untuk mengembangkan model prediksi kebutuhan bahan baku perishable pada Matra Coffee menggunakan pendekatan machine learning berbasis model hybrid Prophet dan XGBoost. Model Prophet digunakan untuk memodelkan tren jangka panjang dan pola musiman dari data historis penggunaan bahan baku, sedangkan XGBoost digunakan untuk mempelajari residual dari hasil prediksi Prophet sehingga mampu menangkap fluktuasi jangka pendek dan pengaruh variabel eksternal seperti hari libur. Data yang digunakan merupakan data historis penggunaan bahan baku Matra Coffee selama periode Juli–Desember 2025. Evaluasi model dilakukan menggunakan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil pengujian menunjukkan bahwa model hybrid yang dikembangkan mampu menghasilkan tingkat akurasi yang baik dengan nilai MAPE di bawah 20% pada seluruh bahan baku utama. Sistem prediksi kemudian diimplementasikan dalam bentuk dashboard berbasis web yang dilengkapi dengan fitur simulasi pembelian bahan baku dan kalkulator food waste untuk membantu pengambilan keputusan operasional. Berdasarkan hasil simulasi sistem, penerapan model prediksi ini berpotensi menurunkan tingkat kelebihan stok bahan baku hingga sekitar 15–20% pada bahan baku kritis seperti susu dan buah. Dengan demikian, sistem yang dikembangkan dapat membantu meningkatkan efisiensi pengelolaan persediaan serta mengurangi potensi food waste pada operasional Matra Coffee.