PT XYZ menghadapi tantangan dalam mengelola persediaan produk yang efisien dan efektif. Permasalahan ini mencakup kesulitan dalam mengklasifikasikan produk berdasarkan kategori yang relevan dan meramalkan jumlah persediaan yang tepat untuk periode tertentu. Penelitian ini menggunakan analisis ABC untuk klasifikasi produk. Algoritma machine learning yang digunakan untuk klasifikasi meliputi K-Nearest Neighbors (KNN), Support Vector Classifier (SVC), dan Random Forest (RF). Untuk peramalan persediaan, digunakan algoritma ARIMAX dan SARIMAX. Data yang digunakan meliputi riwayat penjualan dan riwayat pemesanan barang. Hasil penelitian menunjukkan bahwa Random Forest memiliki kinerja terbaik dalam klasifikasi produk dengan akurasi pengujian sebesar 97,96%, presisi 98,13%, recall 97,96%, dan F1-Score 97,99%. Sementara itu, pada peramalan persediaan, SARIMAX menghasilkan performa terbaik dengan nilai RMSE sebesar 1.09 dan MAE sebesar 1.02. Hasil penelitian ini diharapkan dapat memberikan solusi yang efektif untuk mengklasifikasikan produk secara lebih akurat dan meramalkan persediaan dengan akurasi yang lebih tinggi. Penerapan metode ini akan membantu PT XYZ dalam mengoptimalkan manajemen persediaan, mengurangi biaya penyimpanan dan kerugian, serta meningkatkan ketersediaan produk sesuai permintaan pasar.