Nama : Sheren Afryan Tiastama Program Studi : Magister Ilmu Komputer Judul : Prediksi Penjualan Barang Menggunakan XGBoost dengan Optimasi Hyperparameter Tuning Pembimbing : Prof. Dr.Indra Budi, S.Kom., M.Kom Penjualan barang merupakan sumber penghasilan dari perusahaan yang menjual barang dan sebagai faktor yang menentukan keuntungan dan kerugian perusahaan. Penentuan penjualan barang memerlukan strategi yang tepat agar grafik penjualan barang tetap dalam kondisi yang baik pada setiap tahun. Strategi tersebut dapat ditempuh melalui prediksi penjualan barang yang akurat dan tepat. Prediksi penjualan barang yang nilainya terlalu kecil, maka perusahaan dapat kehilangan kesempatan dalam upaya meraih keuntungan, sebaliknya, jika prediksi penjualan barang memiliki nilai terlalu besar, makan tingkat inventaris pada perusahaan menjadi tidak aman. Oleh karena itu, diperlukan metode untuk menentukan penjualan barang dengan akurat. Extreme Gradient Boosting (XGBoost) mampu melakukan prediksi penjualan barang, namun, memiliki banyak hyperparameter yang mempengaruhi performa dari prediksi penjualan barang. Oleh karena itu, XGBoost memerlukan metode optimasi untuk menemukan hyperparameter terbaik, sehingga dapat meningkatkan performa prediksi penjualan barang. Penelitian ini menggunakan metode Random Search, Bayesian Optimization, Optuna Tuning, dan Genetic Algorithm dengan tujuan melakukan optimasi terhadap hyperparameter pada XGBoost dalam prediksi penjualan barang. Prediksi penjualan barang yang akurat dapat bermanfaat untuk perusahaan dalam menentukan penjualan barang. Tiga data penjualan barang yang digunakan berasal dari situs Kaggle. Hasil dari penelitian ini dibagi ke dalam dua indikator secara terpisah, yaitu nilai Root Mean Squared Error (RMSE) dan waktu komputasi yang dibutuhkan model. Berdasarkan nilai RMSE, XGBoost dengan metode optimasi Genetic Algorithm unggul pada 2 dataset dengan nilai sebesar 1264 dan 114 sebagai rata-rata kesalahan prediksi. Berdasarkan waktu komputasi, metode Optuna Tuning yang diterapkan pada XGBoost menjadi yang paling efisien dengan waktu tidak lebih dari 333 detik.