Penerapan Random Farest Untuk Prediksi Pemesanan sparepart Dalam Pencegahan Overstook Dan Understock

Industri manufaktur di kawasan Karawang sangat bergantung pada ketersediaan spare part untuk menjaga keberlangsungan operasional mesin produksi. Data PT XYZ menunjukkan bahwa 58,3% dari 2.026 item spare part berstatus tidak bergerak (non-moving), sementara komponen kritis pernah mengalami kekosongan stok, yang berimplikasi pada downtime mesin dan pemborosan modal kerja. Penelitian ini bertujuan membangun sistem prediksi kebutuhan spare part berbasis data untuk menentukan level stok optimal guna mencegah overstock dan stockout secara bersamaan. Metodologi yang diterapkan mengintegrasikan dua pendekatan: perhitungan MTBF (Mean Time Between Failures) dengan threshold otomatis berbasis metode percentile untuk mengklasifikasikan pergerakan komponen, serta algoritma Random Forest Regressor untuk memprediksi level stok minimum dan maksimum berdasarkan data historis pemakaian dan lead time aktual dari Purchase Order. Hasil penelitian menunjukkan bahwa model mencapai R² = 0,9877, MAE = 0,53 unit, dan MAPE = 9,96%, di bawah batas toleransi industri sebesar 15%. Sistem website yang dikembangkan menggunakan Flask dan React.js memperoleh skor System Usability Scale (SUS) rata-rata 74,32 (kategori Good). Sistem ini terbukti menghasilkan rekomendasi pemesanan yang lebih objektif dibandingkan metode konvensional, sehingga membantu perusahaan meminimalkan risiko downtime sekaligus mengoptimalkan penggunaan modal kerja.

Kata Kunci: machine learning, manajemen persediaan, MTBF, prediksi stok, random forest, spare part