Peramalan Penjualan Laptop Menggunakan Metode Long Short Term Memory (LSTM)
DOI:
https://doi.org/10.37859/jf.v14i2.7337
Abstract
Industri penjualan laptop tidak hanya dipengaruhi oleh kemajuan teknologi, tetapi juga dipengaruhi oleh perubahan cepat dalam prefernsi konsumen dan perubahan kondisi ekonomi seseorang. Permintaan laptop dari konsumen bervariasi secara signifikan dari waktu ke waktu, yang dipengaruhi oleh beberapa faktor seperti kualitas produk, harga produk, citra merek, dan kecepatan peluncuran model baru. Ketidakstabilan faktor tersebut membuat penjual laptop mengalami kesulitan dalam melakukan restock barang di tokonya, dari beberapa kasus yang ada penjual laptop sering mengalami overstock ataupun stockout. Salah satu metode yang dapat digunakan untuk memprediksi penjualan barang adalah metode Long Short Term Memory (LSTM). Dimana dalam pembuatan model tersebut dibagi menjadi 3 category yaitu low-end category, mid-end category dan high-end category. Untuk low-end category memiliki kriteria harga <= Rp. 8.000.000 sedangkan mid-end category memiliki kriteria harga > Rp. 8.000.000 dan <= Rp. 16.000.000 dan untuk high-end category memiliki kriteria harga > Rp. 16.000.000. Untuk pengoptimalan hasil prediksi digunakanlah metode optimasi Adaptive Moment Gradient (ADAM). Berdasarkan uji coba dengan menggunakan metode tersebut didapatkan hasil berupa RMSE (low-end category): 30.4401 dan R2 Score (low-end category): 0.9804, RMSE (mid-end category): 14.1007 dan R2 Score (mid-end category): 0.9956, dan RMSE (high-end category): 14.5063 dan R2 Score (high-end category): 0.9964.
Downloads
References
N. N. Nuraeni and M. R. Firdaus, “Pemilihan Laptop Terbaik Menggunakan Metode Simple Additive Weighting,” JIKO (Jurnal Informatika dan Komputer), vol. 6, no. 2, p. 218, 2022, doi: 10.26798/jiko.v6i2.622.
The Business Research Company, 2024. Laptops Global Market Report [Online] (Update 14 Juli 2024) Tersedia di: https://www.thebusinessresearchcompany.com/report/laptops-global-market-report [Accessed 15 Juli 2024].
Komparasi Brand, 2024. Top Brand Award [Online] (Update 10 Juli 2024) Tersedia di: https://www.topbrand-award.com/komparasi_brand/bandingkan?id_award=1&id_kategori=10&id_subkategori=368 [Accessed 14 Juli 2024].
D. Ruhiat and C. Suwanda, “PERAMALAN DATA DERET WAKTU BERPOLA MUSIMAN MENGGUNAKAN METODE REGRESI SPEKTRAL (Studi Kasus : Debit Sungai Citarum-Nanjung),” TEOREMA : Teori dan Riset Matematika, vol. 4, no. 1, p. 1, 2019, doi: 10.25157/teorema.v4i1.1887.
A. Cardova and A. Hermawan, “Implementasi Metode LSTM Untuk Mengklasifikasi Berita Palsu Pada PolitiFact,” Jurnal Fasilkom, vol. 13, no. 3, pp. 471–479, 2023, doi: 10.37859/jf.v13i3.6175.
J. Cahyani, S. Mujahidin, and T. P. Fiqar, “Implementasi Metode Long Short Term Memory (LSTM) untuk Memprediksi Harga Bahan Pokok Nasional,” Jurnal Sistem dan Teknologi Informasi (JustIN), vol. 11, no. 2, p. 346, 2023, doi: 10.26418/justin.v11i2.57395.
R. Firdaus, “Prediksi Indeks Harga Produsen Pertanian Karet Di Indonesia Menggunakan Metode LSTM,” Jurnal Fasilkom, vol. 13, no. 01, pp. 1–6, 2023, doi: 10.37859/jf.v13i01.4851.
L. Wiranda and M. Sadikin, “Penerapan Long Short Term Memory pada Data Time Series untuk Memprediksi Penjualan Produk PT. Metiska Farma,” Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), vol. 8, no. 3, pp. 184–196, 2019, doi: https://doi.org/10.23887/janapati.v8i3.19139.
Y. Yuliska and K. U. Syaliman, “Literatur Review Terhadap Metode, Aplikasi dan Dataset Peringkasan Dokumen Teks Otomatis untuk Teks Berbahasa Indonesia,” IT Journal Research and Development, vol. 5, no. 1, pp. 19–31, 2020, doi: 10.25299/itjrd.2020.vol5(1).4688.
Sabar Sautomo and Hilman Ferdinandus Pardede, “Prediksi Belanja Pemerintah Indonesia Menggunakan Long Short-Term Memory (LSTM),” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 1, pp. 99–106, 2021, doi: 10.29207/resti.v5i1.2815.
M. Ikhsan, “Analisis Sentimen Terhadap Kenaikan Harga Bahan Bakar Minyak Menggunakan Long Short-Term Memory,” The Indonesian Journal of Computer Science Research, vol. 2, no. 1, pp. 31–41, 2023, doi: 10.59095/ijcsr.v2i1.29.
N. Selle, N. Yudistira, and C. Dewi, “Perbandingan Prediksi Penggunaan Listrik dengan Menggunakan Metode Long Short Term Memory (LSTM) dan Recurrent Neural Network (RNN),” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 9, no. 1, pp. 155–162, 2022, doi: 10.25126/jtiik.2022915585.
A. Agusta, I. Ernawati, and A. Muliawati, “Prediksi Pergerakan Harga Saham Pada Sektor Farmasi Menggunakan Algoritma Long Short-Term Memory,” Informatik : Jurnal Ilmu Komputer, vol. 17, no. 2, p. 164, 2021, doi: 10.52958/iftk.v17i2.3651.
Y. R. M. Ferdinandus, K. Kusrini, and T. Hidayat, “Gold Price Prediction Using the ARIMA and LSTM Models,” Sinkron, vol. 8, no. 3, pp. 1255–1264, 2023, doi: 10.33395/sinkron.v8i3.12461.
A. Marhaendra Kusuma, R. Alexandro Harianto, and E. Pramana, “Prediksi Stok Produk Sari Roti Untuk Penjualan Online Melalui Whatsapp Menggunakan Metode LightGBM dan LSTM,” Joutica, vol. 8, no. 2, pp. 45–50, 2023, doi: 10.30736/informatika.v8i2.1083.
M Devid Alam Carnegie and Chairani, “Perbandingan Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU) Untuk Memprediksi Curah Hujan,” Jurnal Media Informatika Budidarma, vol. 7, no. 3, pp. 1022–1032, 2023, doi: 10.30865/mib.v7i3.6213.
A. Suwandi, “Prediksi Harga Emas Menggunakan Metode Single Moving Average,” JiTEKH, vol. 8, no. 1, pp. 32–36, 2020, doi: 10.35447/jitekh.v8i1.194.
Downloads
Published
Issue
Section
License
Copyright Notice
An author who publishes in the Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) agrees to the following terms:
- Author retains the copyright and grants the journal the right of first publication of the work simultaneously licensed under the Creative Commons Attribution-ShareAlike 4.0 License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal
- Author is able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book) with the acknowledgement of its initial publication in this journal.
- Author is permitted and encouraged to post his/her work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of the published work (See The Effect of Open Access).
Read more about the Creative Commons Attribution-ShareAlike 4.0 Licence here: https://creativecommons.org/licenses/by-sa/4.0/.
_(1).png)
