Pengembangan Dashboard Prediksi Permintaan Berbasis SARIMAX-XGBoost untuk Mendukung Pengambilan Keputusan

Abstract

Peramalan permintaan yang akurat merupakan elemen penting dalam mendukung analisis dan perencanaan operasional, khususnya pada industri makanan yang memiliki karakteristik permintaan fluktuatif serta dipengaruhi faktor eksternal seperti harga dan promosi. Pendekatan peramalan konvensional yang hanya mengandalkan data historis seringkali belum mampu menangkap kompleksitas pola permintaan secara optimal, terutama ketika permintaan dipengaruhi kombinasi faktor musiman, tren jangka menengah, serta variabel eksternal yang bersifat dinamis. Kondisi ini mendorong perlunya pengembangan pendekatan peramalan yang lebih adaptif dan komprehensif dengan memanfaatkan integrasi metode statistik dan machine learning. Penelitian ini bertujuan untuk mengembangkan model prediksi permintaan berbasis integrasi metode statistik dan machine learning serta menyajikan hasilnya dalam dashboard visualisasi yang informatif. Metode Seasonal AutoRegressive Integrated Moving Average with Exogenous Variables (SARIMAX) digunakan untuk memodelkan pola tren dan musiman pada data deret waktu, algoritma Extreme Gradient Boosting (XGBoost) diterapkan untuk menangkap hubungan nonlinier dan interaksi kompleks antarvariabel. Data yang digunakan berupa data permintaan bulanan dilengkapi variabel harga dan promosi sebagai variabel eksogen. Kinerja model dievaluasi menggunakan metrik Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model XGBoost menghasilkan akurasi yang lebih baik dibandingkan SARIMAX, sementara model hybrid SARIMAX–XGBoost memberikan kinerja terbaik dengan nilai MAPE sebesar 4,61%. Selanjutnya, hasil prediksi divisualisasikan dalam dashboard prediksi permintaan menggunakan Google Looker Studio untuk memudahkan analisis pola permintaan, perbandingan hasil prediksi antar model, serta interpretasi pengaruh variabel harga dan promosi. Penelitian ini berkontribusi dalam pengembangan pendekatan prediksi permintaan terintegrasi dan penyajian visualisasi prediktif sebagai alat bantu analisis berbasis data.