Nilai ekspor produk industri kehutanan merupakan salah satu indikator penting dalam menentukan arah kebijakan ekonomi Indonesia. Urgensi penelitian ini terletak pada pentingnya prediksi yang akurat mengenai jenis produk ekspor yang diminati, sebagai dasar untuk meningkatkan efisiensi bahan baku. Dengan memahami tren permintaan produk, penelitian ini dapat mengidentifikasi produk-produk yang memiliki potensi terbesar untuk difokuskan, sehingga dapat meningkatkan ketersediaan bahan baku secara lebih efisien. Penelitian ini bertujuan memprediksi nilai ekspor bulanan tahun 2024 menggunakan metode Random Forest Regression. Random Forest Regression merupakan model pembelajaran ensemble yang menggabungkan banyak pohon keputusan, sehingga dapat meningkatkan ketepatan prediksi dan meminimalkan risiko overfitting. Model ini diterapkan pada dataset historis ekspor dari tahun 2015 hingga 2023, dengan data validasi menggunakan data aktual tahun 2024 untuk mengukur akurasi prediksi. Hasil menunjukkan bahwa model mampu memberikan prediksi yang akurat pada beberapa produk, dengan nilai Mean Absolute Percentage Error (MAPE) yang rendah, seperti Panel, Furnitur Kayu, Kerajinan, dan Veneer memiliki MAPE dibawah 10% menunjukkan prediksi akurat dan sangat baik. Produk Chipwood (Serpihan Kayu), Paper, Pulp, dan Woodworking memiliki MAPE diantara 10-20% menunukkan prediksi baik. Namun, untuk produk dengan fluktuasi tinggi seperti Bangunan Prefabrikasi, model menunjukkan kinerja yang kurang optimal dengan MAPE mencapai 56.65%.

The export value of forest industry products is a key indicator in determining the direction of Indonesia's economic policy. The urgency of this research lies in the importance of accurate predictions regarding the types of export products in demand, as a basis for improving raw material efficiency. By understanding product demand trends, this study can identify products with the greatest potential for focus, thus potentially increasing raw material availability more efficiently. This research aims to predict monthly export values for the year 2024 using the Random Forest Regression method. Random Forest Regression is an ensemble learning model that combines many decision trees, thereby improving prediction accuracy and minimizing the risk of overfitting. This model is applied to a historical export dataset from 2015 to 2023, with validation data using actual data from 2024 to measure prediction accuracy. Results show that the model can provide accurate predictions for several products, with low Mean Absolute Percentage Error (MAPE) values. Products like Panels, Wood Furniture, Crafts, and Veneer have MAPEs below 10%, indicating highly accurate predictions. Products such as Chipwood, Paper, Pulp, and Woodworking have MAPEs between 10-20%, indicating good predictions. However, for products with high fluctuations like Prefabricated Buildings, the model shows less optimal performance with a MAPE reaching 56.65%.