PREDIKSI PERMINTAAN PRODUK MENGGUNAKAN LONG SHORT-TERM MEMORY (LSTM) UNTUK OPTIMASI MANAJEMEN PERSEDIAAN PADA BISNIS RITEL

Abstract

Ketidakpastian permintaan pada sektor ritel sering menyebabkan ketidakseimbangan persediaan, baik dalam bentuk kelebihan stok maupun kekurangan stok. Kondisi tersebut berdampak pada meningkatnya biaya operasional serta potensi kehilangan peluang penjualan. Penelitian ini bertujuan untuk memprediksi penjualan produk ritel menggunakan metode Long Short-Term Memory (LSTM) berbasis data deret waktu (time series). Tahapan penelitian meliputi preprocessing data, pembentukan dataset menggunakan teknik sliding window, pembangunan model LSTM, serta evaluasi kinerja model menggunakan Root Mean Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Dataset yang digunakan terdiri dari 730 data penjualan harian dengan ukuran window selama 7 hari. Hasil penelitian menunjukkan bahwa model LSTM mampu menghasilkan prediksi dengan tingkat kesalahan yang relatif rendah, ditunjukkan oleh nilai RMSE sebesar 4,16 dan MAPE sebesar 1,64%. Nilai tersebut menunjukkan bahwa model mampu menangkap pola temporal dan dinamika fluktuasi penjualan secara efektif. Hasil penelitian ini menunjukkan bahwa metode LSTM memiliki potensi untuk mendukung proses pengambilan keputusan dalam perencanaan dan pengendalian persediaan pada sektor ritel.