Abstract:
Thrifting di zaman sekarang sangat mudah dijangkau karena sudah banyak
bermunculan toko thrift di perkotaan. Namun permasalahan yang sering terjadi pada
toko thrifting ialah menghadapi masalah stok dan prediksi penjualan. Seperti pada
toko Cchase, penentuan jumlah stok sering tidak tepat karena variasi barang
thrifting yang beragam dan pasokan yang tidak menentu, sehingga menimbulkan
risiko penumpukan barang yang tidak terjual. Untuk mengatasi hal ini, penelitian
menggunakan teknologi machine learning dengan algoritma Extreme Gradient
Boosting (XGBoost). Metode ini dipilih karena terbukti mampu memberikan hasil
prediksi yang akurat pada data dengan pola yang kompleks. Data yang digunakan
berupa catatan penjualan selama satu tahun terakhir yang kemudian diproses, dibagi
menjadi data latih dan data uji, lalu diuji menggunakan metrik evaluasi Root Mean
Squared Error (RMSE) dan Mean Absolute Error (MAE). Hasil penelitian
menunjukkan nilai RMSE sebesar 0,8105 dan MAE sebesar 0,6643, yang berarti
model cukup baik dalam memprediksi penjualan. Dari hasil prediksi untuk periode
satu bulan ke depan, diperoleh kategori dengan penjualan tertinggi yaitu crewneck,
hoodie, dan kaos. Dengan adanya hasil ini, diharapkan dapat membantu pelaku
usaha thrift dalam mengelola stok lebih efisien serta menyusun strategi penjualan
yang lebih tepat sasaran.
