Peramalan permintaan produk suku cadang, aksesori, dan apparel sepeda di Departemen PAA Commercial PT X selama ini masih dilakukan secara manual dengan menggunakan rata-rata historis dan penyesuaian subjektif. Pendekatan ini dinilai masih kurang efisien dan rawan terhadap kesalahan. Penelitian ini mengkaji sepuluh model peramalan deret waktu, yaitu model Prophet (Additive dan Multiplicative), model Intermittent Demand Forecasting (Croston Classic, Croston Optimized, ADIDA, IMAPA, TSB, dan SES Optimized), serta model deep learning (RNN dan LSTM). Pemodelan mengkombinasikan strategi moving window dan expanding window dengan berbagai parameter dan dievaluasi berdasarkan frekuensi kombinasi parameter dengan nilai MAPE terkecil. Hasil evaluasi terhadap 357 produk menunjukkan bahwa model deep learning (RNN dan LSTM) pada pola data kontinu menghasilkan MAPE terendah secara agregat, namun prediksinya cenderung flat akibat keterbatasan data historis. Sebaliknya, model Prophet Multiplicative (strategi moving window, window size = 3, horizon = 1) lebih mampu menangkap fluktuasi musiman dan memberikan hasil prediksi yang lebih representatif pada pola data kontinu. Sedangkan model IDF (strategi expanding window, window size = 3, horizon = 1) seperti ADIDA, IMAPA, dan SES Optimized cocok untuk pola data semi-intermittent, sementara Croston Classic, Croston Optimized, dan TSB untuk pola data intermittent ekstrem. Pemilihan model dapat mempertimbangkan karakteristik pola penjualan dan aspek operasional.