PT XYZ merupakan perusahaan otomotif mobil premium di Indonesia yang menghadapi permasalahan tingginya aging stock akibat rendahnya akurasi peramalan penjualan. Metode peramalan eksisting memiliki nilai Mean Absolute Percentage Error (MAPE) di atas 20%, yang berdampak pada peningkatan biaya persediaan sebesar 5,76%. Penelitian ini mengusulkan model peramalan permintaan multivariat menggunakan Support Vector Regression (SVR) yang dioptimasi dengan Grey Wolf Optimization (GWO), dengan seleksi fitur dilakukan melalui Grey Relational Analysis (GRA). Variabel input yang digunakan meliputi pertumbuhan Produk Domestik Bruto (PDB), nilai tukar USD/RP, Indeks Harga Konsumen (IHK/CPI), dan Indeks Kepercayaan Konsumen (IKK).Data yang digunakan merupakan data time series bulanan periode Januari 2021 hingga Desember 2023. Dataset dibagi menjadi data latih dan data uji, kemudian dilakukan normalisasi sebelum proses pemodelan. Kinerja model dievaluasi menggunakan Mean Squared Error (MSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), serta koefisien determinasi (R²). Hasil seleksi fitur menggunakan GRA menunjukkan bahwa variabel makroekonomi berpengaruh signifikan terhadap permintaan, dengan Indeks Harga Konsumen dan nilai tukar USD/RP sebagai variabel yang paling dominan. Parameter optimal SVR yang diperoleh melalui optimasi GWO, yaitu C = 125,017365 dan γ = 10,000, mampu meningkatkan kemampuan model dalam menangkap pola non-linear pada data penjualan. Hasil evaluasi menunjukkan bahwa model SVR–GWO menghasilkan kinerja peramalan yang lebih unggul dengan nilai MAPE sebesar 11,57% dan koefisien determinasi (R²) sebesar 0,6502, Implementasi hasil peramalan menggunakan model usulan mampu menekan Total Inventory Cost (TIC) menjadi Rp 5,707,958,759 dan mendekati kondisi biaya persediaan optimal perusahaan. Dengan demikian, model SVR–GWO tervalidasi secara empiris sebagai alat bantu pengambilan keputusan untuk meningkatkan akurasi peramalan permintaan serta meminimalkan Biaya Persediaan pada PT XYZ.
Kata kunci: Peramalan Permintaan, Biaya Persediaan, Support Vector Regression, Grey Wolf Optimization