PT Surya Dermato Medica menghadapi tantangan dalam ketersediaan stok barang akibat permintaan yang fluktuatif pada beberapa produk. Penelitian ini bertujuan untuk mengembangkan model prediksi barang agar perencanaan stok lebih efisien. Metode yang digunakan dalam model prediksi barang yaitu Seasonal AutoRegressive Integrated Moving Average (SARIMA), Long Short Term Memory (LSTM), dan Extreme Gradient Boosting (XGBoost). Pemilihan model SARIMA digunakan karena adanya dugaan bahwa produk yang dijual memiliki pola musiman, dan pemilihan algoritma lain dipilih berdasarkan penelitian yang telah ada sebelumnya dan terbukti lebih cocok untuk dalam bidang obat. Hasil penelitian ini menunjukkan bahwa model XGBoost memberikan performa terbaik, dengan tingkat error Root Mean Squared Error (RMSE) yang lebih rendah dibandingkan model SARIMA, dan LSTM. LSTM dapat dikatakan kurang bisa menangkap pola musiman yang ada dikarenakan data pelatihan tergolong kurang untuk deep learning (60 bulan). Sistem reorder bahan kemas berbasis webite yang dikembangkan mendapat tanggapan positif dengan skor System Usability Scale (SUS) senilai 84, sehingga dapat membantu tim PPIC dalam pengelolaan stok bahan kemas lebih efisien dan optimal.