ANALISIS DAN IMPLEMENTASI MODEL HYBRID ARIMA ADAPTIF–ADABOOST UNTUK PREDIKSI STOK BAHAN BAKU BERDASARKAN DATA DERET WAKTU (STUDI KASUS: CAFÉ X)

Pengadaan bahan baku di Café X menghadapi ketidaksesuaian antara jumlah yang dipesan dan penggunaan aktual akibat fluktuasi penggunaan harian serta waktu tunggu pengadaan. Penelitian ini bertujuan menerapkan dan membandingkan model ARIMA Adaptif, AdaBoost Regressor, dan Hybrid ARIMA Adaptif–AdaBoost untuk memprediksi kebutuhan 14 bahan baku dengan horizon 14 hari. Data penelitian terdiri atas 397 hari penggunaan harian atau 5.558 baris yang dibagi secara temporal menjadi 317 hari data latih dan 80 hari data uji. ARIMA Adaptif diterapkan menggunakan rolling window 90 hari dengan pergeseran 7 hari, sedangkan AdaBoost menggunakan sembilan fitur berbasis lag, statistik bergerak, dan kalender. Pada model Hybrid, AdaBoost digunakan untuk memprediksi residual ARIMA, kemudian hasilnya dijumlahkan dengan prediksi ARIMA Adaptif. Evaluasi dilakukan menggunakan RMSE dan MAE. ARIMA Adaptif menghasilkan rata-rata RMSE 5,7338 dan MAE 4,4079 serta memberikan RMSE terendah pada 8 bahan baku. AdaBoost menghasilkan rata-rata RMSE 5,9130 dan MAE 4,4806 serta memberikan RMSE terendah pada 4 bahan baku. Model Hybrid menghasilkan rata-rata RMSE 5,9106 dan MAE 4,4970 serta memberikan RMSE terendah pada 2 bahan baku, yaitu Milo Powder dan Paperbag Roti. Hasil penelitian menunjukkan bahwa integrasi ARIMA Adaptif dan AdaBoost berhasil diterapkan, tetapi tidak meningkatkan akurasi prediksi pada seluruh bahan baku karena penambahan prediksi residual AdaBoost tidak selalu menghasilkan nilai RMSE dan MAE yang lebih rendah. Secara rata-rata, ARIMA Adaptif memberikan kinerja terbaik, sedangkan model terbaik pada setiap bahan baku ditentukan berdasarkan nilai RMSE terendah. Hasil pemilihan model tersebut diterapkan pada aplikasi web berbasis Flask.