Implementasi Metode Esemble Learning, Decion Tree Dan Gradient Boosting Untuk Prediksi Kebutuhan Suku Cadang (Studi Kasus : Bengkel Auto 252)

Abstract

Ketersediaan suku cadang merupakan faktor penting dalam menjaga kelancaran operasional bengkel dan meningkatkan kepuasan pelanggan. Bengkel Auto 252 masih mengelola persediaan berdasarkan perkiraan manual tanpa memanfaatkan analisis data historis penjualan, sehingga berpotensi menyebabkan kekurangan maupun kelebihan stok. Penelitian ini bertujuan untuk mengimplementasikan metode Decision Tree, Gradient Boosting, dan Ensemble Learning dalam memprediksi kebutuhan suku cadang berdasarkan data historis penjualan. Data yang digunakan berasal dari transaksi penjualan suku cadang yang telah melalui tahapan pra-pemrosesan, pembagian data latih dan data uji, serta proses pelatihan model. Evaluasi kinerja model dilakukan menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa metode Gradient Boosting memberikan performa prediksi yang lebih baik dibandingkan Decision Tree dan Ensemble Learning dalam konteks data Bengkel Auto 252. Dengan demikian, metode tersebut direkomendasikan sebagai model yang paling optimal untuk mendukung pengambilan keputusan pengelolaan stok secara lebih objektif dan berbasis data.