Prediksi Data Transaksi Penjualan Time Series Menggunakan Regresi LSTM

Abstract

Sebagai upaya untuk memenangkan persaingan di pasar, perusahaan farmasi harus menghasilkan produk obat – obatan yang berkualitas. Untuk menghasilkan produk yang berkualitas, diperlukan perencanaan produksi yang baik dan efisien. Salah satu dasar perencanaan produksi adalah prediksi penjualan. PT. Metiska Farma telah menerapkan metode prediksi dalam proses produksi, akan tetapi prediksi yang dihasilkan tidak akurat sehingga menyebabkan tidak optimal dalam memenuhi permintaan pasar. Untuk meminimalisir masalah kurang akuratnya proses prediksi tersebut, dalam penelitian yang disajikan pada makalah ini dilakukan uji coba prediksi menggunakan teknik Machine Learning dengan metode Regresi Long Short Term Memory (LSTM). Teknik yang diusulkan diuji coba menggunakan dataset penjualan produk “X” dari PT. Metiska Farma dengan parameter kinerja Root Mean Squared Error (RMSE) dan MAPE (Mean Absolute Percentage Error). Hasil penelitian ini berupa nilai rata – rata evaluasi error dari pemodelan data training dan data testing. Di mana hasil menunjukan bahwa Regresi LSTM memiliki nilai prediksi penjualan dengan evaluasi model melalui RMSE sebesar 286.465.424 untuk data training dan 187.013.430 untuk data testing. Untuk nilai MAPE sebesar 787% dan 309% untuk data training dan data testing secara berurut.

Analisis Pengaruh Transaksi Non Tunai Terhadap Peredaran Uang Tunai di Indonesia

“…Model regresi pada penelitian ini menggunakan regresi data time series yaitu kumpulan observasi data terurut dalam waktu (Ashari & Sadikin, 2020). Pemakaian data time series memiliki berbagai masalah seperti otokorelasi yaitu masalah yang menyebabkan data tidak stasioner sehingga model diestimasi menjadi kurang baik (Sugiarto, 2013).…”

Prediksi Penjualan Produk Untuk Mengestimasi Kebutuhan Bahan Baku Menggunakan Perbandingan Algoritma LSTM dan ARIMA

“…Hilangnya penjualan karena tidak tersedia barang yang akan dijual. [2] Sampai saat ini metode yang masih banyak digunakan dan lebih populer untuk memprediksi data runtun waktu adalah Metode statistik ARIMA (Autoregressive Integrated Moving Average). Dalam ARIMA penentuan model ini ditentukan melalui pencarian nilai parameter dari Auto-Regressive (p), Integrated (d), Moving Average (q) melalui grafik Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF).…”

“…Data-data tersebut dinormalisasikan ke dalam interval yaitu [-1,1]. [2] Tujuan dari Normalisasi yaitu : 1. Untuk menghilangkan kerangkapan data.…”

“…Tahap selanjutnya dalam penelitian ini untuk melakukan prediksi. proses membangun sistem dibagi menjadi dua yaitu proses training dan proses prediksi [2]. Tahap eksperimen model dimulai dengan pembuatan model dan dilakukan training baik LSTM maupun ARIMA.…”

“…Hasil training berupa model LSTM dan ARIMA yang diperoleh selanjutnya digunakan pada proses prediksi. Tahap akhir eksperimen berupa proses normalisasi data hasil testing untuk mendapatkan nilai hasil prediksi dan nilai evaluasi dari hasil kinerja model [2].…”