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.
