Penggunaan LSTM dalam Membangun Prediksi Penjualan untuk Aplikasi Laptop Lens

  • Ghufron Tamami Universitas Muria Kudus
  • Muhammad Arifin Universitas Muria Kudus
Keywords: laptop, LSTM, penjualan, data, prediksi

Abstract

Laptop adalah alat penting yang mendukung fleksibilitas dan produktivitas dalam dunia bisnis, terutama pada bidang manajemen pengelolaan stok barang yang efektif. Peramalan penjualan menjadi aspek utama dalam melakukan manajemen stok barang, dan peramalan ini dapat membantu perusahaan untuk menentukan strategi masa depan agar tetap dapat bersaing. Pengelolaan stok barang yang efektif sangat penting untuk memastikan ketersedian produk sesuai dengan tren permintaan pasar, hal ini dapat membantu perusahaan untuk tetap mempertahankan keunggulan kompetitif mereka. Penelitian ini bertujuan untuk menguji model Long Short-Term Memory (LSTM) dalam melakukan peramalan penjualan dengan memanfaatkan data dengan format time series. Hasil peramalan nantinya akan dikategorikan menjadi tiga kategori, yaitu low-end, mid-end dan high-end. Pembagian kategori ini akan membantu keputusan suatu perusahaan yang bersifat strategis. Hasil evaluasi menunjukkan performa yang cukup bervariasi di setiap kategori. Pada kategori low-end, model mencapai Root Mean Square Error (RMSE) sebesar 91.2161 dan R-squared (R2) sebesar 0.8247, menunjukkan tingkat loss 91 unit dengan variasi 82.47% dari data penjualan. Untuk kategori mid-end, model menunjukkan performa sangat baik dengan RMSE sebesar 22.3920 dan R2 sebesar 0.9890, menandakan tingkat loss 22 unit dan variasi 98.90%. Pada kategori high-end, model mencapai RMSE sebesar 96.8210 dan R2 sebesar 0.8432, dengan tingkat loss 96 unit dan variasi 84.32%. Penelitian ini menunjukkan bahwa model LSTM efektif dalam memprediksi tren penjualan di semua kategori harga, sehingga dapat membantu perusahaan dalam manajemen stok dan perencanaan pemasaran yang lebih strategis.

Downloads

Download data is not yet available.

References

F. Wiranto, H. Latipa Sari, and L. Elfianty, “Penerapan Metode Semi Average Dalam Peramalan Penjualan Laptop Di Toko Big Computer,” J. Sci. Soc. Res., vol. 4307, no. 3, pp. 796–806, 2023, [Online]. Available: http://jurnal.goretanpena.com/index.php/JSSR

M. Zhan, H. Gao, H. Liu, Y. Peng, D. Lu, and H. Zhu, “Identifying market structure to monitor product competition using a consumer-behavior-based intelligence model,” Asia Pacific J. Mark. Logist., vol. 33, no. 1, pp. 99–123, 2021, doi: 10.1108/APJML-08-2019-0497.

S. N. R. Sika and Putri Aisyiyah Rakhma devi, “Sistem Informasi Persediaan Stok Barang Berbasis Web Pada Toko Putra Gresik,” J. Fasilkom, vol. 11, no. 3, pp. 157–164, 2021, doi: 10.37859/jf.v11i3.3163.

R. C. N. Sugiraharjo, S., & Santi, “8341-25287-1-Pb,” vol. 7, no. 1, 2021.

M. L. Ashari and M. Sadikin, “Prediksi Data Transaksi Penjualan Time Series Menggunakan Regresi Lstm,” J. Nas. Pendidik. Tek. Inform., vol. 9, no. 1, p. 1, 2020, doi: 10.23887/janapati.v9i1.19140.

P. Studi, T. Informatika, F. I. Komputer, and U. M. Buana, “https://lib.mercubuana.ac.id/,” 2020.

I. M. Hamdani, A. Karman, N. F. A. H, and A. Hermina, “INTISARI Jurnal Inovasi Pengabdian Masyarakat Edukasi dan Pelatihan Data Science dan Data Preprocessing,” vol. 2, pp. 19–26, 2024, doi: 10.58227/intisari.v2i1.125.

I. Hidayat, A. I. Tolago, R. D. R. Dako, and J. Ilham, “Analisis Data Eksploratif Capaian Indikator Kinerja Utama 3 Fakultas Teknik,” Jambura J. Electr. Electron. Eng., vol. 5, no. 2, pp. 185–191, 2023, doi: 10.37905/jjeee.v5i2.18397.

H. Mukhtar, Y. Rizki, F. A. Wenando, and M. Abdul Al Aziz, “Prediksi Kunjungan Wisatawan Ke Indonesia Dengan Reduksi Noise Pada Mesin Pencari Menggunakan Metode Hilbert Huang Transform,” J. Fasilkom, vol. 12, no. 3, pp. 152–159, 2022, doi: 10.37859/jf.v12i3.4332.

C. Nas, “Data Mining Prediksi Minat Calon Mahasiswa Memilih Perguruan Tinggi Menggunakan Algoritma C4.5,” J. Manaj. Inform., vol. 11, no. 2, pp. 131–145, 2021, doi: 10.34010/jamika.v11i2.5506.

M. A. Ridla, N. Azise, and M. Rahman, “Perbandingan Model Time Series Forecasting Dalam Memprediksi Jumlah Kedatangan Wisatawan Dan Penumpang Airport,” Simkom, vol. 8, no. 1, pp. 1–14, 2023, doi: 10.51717/simkom.v8i1.103.

Sabar Sautomo and Hilman Ferdinandus Pardede, “Prediksi Belanja Pemerintah Indonesia Menggunakan Long Short-Term Memory (LSTM),” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 1, pp. 99–106, 2021, doi: 10.29207/resti.v5i1.2815.

B. D. Prasetya, F. S. Pamungkas, and I. Kharisudin, “Pemodelan dan Peramalan Data Saham dengan Analisis Time Series menggunakan Python,” Prism. Pros. Semin. Nas. Mat., vol. 3, pp. 714–718, 2020, [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/article/view/38116

Arnes Anandita and Tri Wahyuningsih, “PREDIKSI INDEKS SAHAM SYARIAH MENGGUNAKAN MODEL LONG SHORT-TERM MEMORY (LSTM) Arnes Anandita Tri Wahyuningsih,” J. Ilmu Manaj., vol. 9, no. 1, pp. 60–69, 2024, [Online]. Available: https://id.investing.com/.

A. V Tatachar, “Comparative Assessment of Regression Models Based On Model Evaluation Metrics,” Int. Res. J. Eng. Technol., vol. 8, no. 9, pp. 853–860, 2021, [Online]. Available: www.irjet.net

J. Cahyani, S. Mujahidin, and T. P. Fiqar, “Implementasi Metode Long Short Term Memory (LSTM) untuk Memprediksi Harga Bahan Pokok Nasional,” J. Sist. dan Teknol. Inf., vol. 11, no. 2, p. 346, 2023, doi: 10.26418/justin.v11i2.57395.

Pipit Dewi Arnesia, Naufal Arif Pratama, and Fitri Sjafrina, “4243-Article Text-16553-1-10-20220302,” Apl. Artif. Intell. Untuk Mendeteksi Objek Berbas. Web Menggunakan Libr. Tensorflow Js, React Js Dan Coco Dataset, vol. 9, no. 1, pp. 62–69, 2022.

Published
2024-08-03
Abstract views: 179 , PDF downloads: 123