PENERAPAN ALGORITMA REGRESI LINEAR BERGANDA UNTUK MEMPREDIKSI STOK BARANG INVENTORY BERBASIS DATA HISTORI PERMINTAAN BARANG DI GUDANG PT NESINAK INDUSTRIES

Nabilla Amelia Putri; Akhmad Rizal Dzikrillah;

Penerapan Algoritma Regresi Linear Berganda Untuk Memprediksi Stok
Barang Inventory Berbasis Data Histori Permintaan Barang Di Gudang PT

Nesinak Industries
Nabilla Amelia Putri

Persediaan barang merupakan aspek penting dalam mendukung distribusi internal perusahaan,
termasuk PT Nesinak Industries. Ketidaktepatan dalam memperkirakan jumlah stok yang harus
disiapkan sering menimbulkan masalah kelebihan atau kekurangan stok. Penelitian ini bertujuan
membangun model prediksi jumlah stok barang yang perlu disiapkan oleh gudang. Algoritma yang
di gunakan pada penelitian ini adalah menggunakan metode regresi linear berganda. Data yang
digunakan mencakup nama barang, bulan, minggu, jumlah permintaan dari kantor, stok awal dan
jumlah yang di gudang. Pengolahan data dan pembangunan model dilakukan menggunakan alat
bantu RapidMiner. Hasil menunjukkan bahwa jumlah permintaan memiliki pengaruh paling besar
terhadap prediksi, disusul oleh stok awal. Model diuji pada 48 data mingguan tahun 2024 dan
menghasilkan akurasi dengan nilai MAPE sebesar 1%, yang termasuk kategori sangat akurat.
Kata kunci: Prediksi Stok Barang, Data Historis Permintaan, Regresi Linear Berganda, MAPE,
RapidMiner, PT Nesinak Industries.

Application of Multiple Linear Regression Algorithm for Predicting Inventory
Stock Based on Historical Demand Data at PT Nesinak Industries Warehouse

Nabilla Amelia Putri

Inventory management is a crucial aspect in supporting a company's internal distribution, including
at PT Nesinak Industries. Inaccurate estimation of the required stock levels often leads to issues
such as overstocking or stock shortages. This study aims to develop a predictive model to determine
the amount of inventory that should be prepared by the warehouse. The algorithm used in this
research is the multiple linear regression method. The data utilized includes item name, month,
week, office demand quantity, initial stock, and the quantity of stock prepared by the warehouse.
Data processing and model development were conducted using RapidMiner. The results indicate
that the demand quantity has the most significant influence on the prediction, followed by the initial
stock. The model was tested on 48 weeks of data from the year 2024 and achieved a Mean Absolute
Percentage Error (MAPE) of 1%, which falls into the category of very accurate.
Keywords: Stock Prediction, Historical Demand Data, Multiple Linear Regression, MAPE,
RapidMiner, PT Nesinak Industries