Model Prediksi Penjualan Multi-Item Time Series Berbasis Machine Learning Menggunakan Metode Autoregressive Integrated Moving Average Dan Long Short-Term Memory Pada Produk Perishable (Studi Kasus: Retail Sayur Tosaga)

Abstract

Perishable product merupakan peroduk yang kualitasnya akan menurun seiring denganbertambahnya umur produk yang tidak lebih dari 14 hari. Hal ini akan mempengaruhi kepuasan konsumen dalam pemilihan produk. Kesalahan peramalan pada perishableproduct dapat menyebabkan kerugian akibat hal tersebut. Retail Sayur Tosaga merupakantoko yang menjual berbagai macam kebutuhan masak, salah satunya adalah perishable product. Peramalan permintaan yang selama ini dilakukan berdasarkan dengan expert judgement, akibatnya hampir setiap hari akan ada produk sisa. Penelitian ini akan berfokus pada pembuatan model prediksi menggunakan metode ARIMA dan LSTM yang diproses menggunakan pemrograman Python. Terdapat 2 dataset yang dimodelkan, yaituDataset 1 untuk produk dengan satuan kilogram (KG), dan Dataset 2 untuk produk dengansatuan unit (PCS). Performa kedua metode tersebut akan diukur menggunakan RMSE, pada metode ARIMA dihasilkan nilai 7,4% untuk Dataset 1 dan 34,3% untuk Dataset 2. Sedangkan untuk metode LSTM menunjukkan nilai RMSE yang lebih kecil pada keduadataset, namun kedua model tersebut memiliki learning curve yang termasuk dalam kategori overfit. Sehingga metode yang baik untuk digunakan adalah metode ARIMA,hal ini dikarenakan metode LSTM overfit yang artinya hasil dari pelatihan data baiknamun tidak dapat menggeneralisasi data baru sehingga tidak bisa digunakan untukmelakukan prediksi secara berkala.