PT XYZ sebagai perusahaan yang bergerak di bidang distribusi menghadapi tantangan dalam pengelolaan persediaan barang. Ketidakakuratan dalam memprediksi jumlah penjualan seringkali menyebabkan penumpukan stok atau kekurangan stok, yang berdampak pada efisiensi biaya dan kepuasan pelanggan. Penelitian ini bertujuan untuk membangun model prediksi penjualan yang akurat menggunakan pendekatan Machine Learning guna mendukung optimalisasi persediaan barang di PT XYZ. Pengujian model prediksi dilakukan dengan memanfaatkan data historis penjualan PT XYZ periode Mei 2023 hingga Agustus 2025. Data yang digunakan dalam pemodelan memiliki lima variasi bentuk preprocessing, yaitu data asli, data smoothing Savitzky-Golay, data Robust Scaler, data transformasi Yeo-Johnson, dan data yang dibatasi 15 bulan terakhir. Algoritma Machine Learning yang diterapkan dalam penelitian ini meliputi Autoregressive Integrated Moving Average (ARIMA), Long Short-Term Memory (LSTM), dan Gradient Boosting untuk membandingkan tingkat akurasi prediksi. Kinerja model dievaluasi menggunakan metrik Root Mean Square Error (RMSE), Mean Absolute Percentage Error (MAPE), dan R-squared. Selanjutnya, hasil prediksi digunakan untuk menghitung parameter persediaan seperti Safety Stock dan Reorder Point. Hasil penelitian menunjukkan bahwa data preprocessing transformasi Yeo-Johnson dan model ARIMA memberikan performa terbaik dengan total kerugian sebesar 5.81692 jika diaplikasikan pada 42 barang yang diprediksi. Penerapan model ini terbukti mampu membantu PT XYZ dalam melakukan pengecekan dan penentuan jumlah stok dengan lebih mudah dan efisien berdasarkan hasil pengujian User Acceptance Testing (UAT).