Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Mohammad Hassanal Bolqia
Bisnis Digital, Institut Teknologi dan Bisnis Kalla Makassar
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering Physics

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Komparatif antara Long Short-Term Memory (LSTM) dan XGBoost dalam Estimasi Penjualan Toko Retail Mohammad Hassanal Bolqia; Nurul Faiqah; Rezty Amalia Aras; Aulia Rahmawati
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Peramalan penjualan yang akurat merupakan kemampuan penting bagi bisnis modern karena menjadi dasar perencanaan persediaan, penjadwalan staf, dan proyeksi pendapatan. Penelitian ini membandingkan dua pendekatan peramalan yang banyak digunakan, yaitu jaringan Long Short-Term Memory (LSTM) dan Extreme Gradient Boosting (XGBoost), pada dataset penjualan ritel open-source. Data penjualan harian diagregasi dari data transaksi tingkat pesanan, kemudian direkayasa menjadi fitur kalender, fitur lag, dan fitur rolling-window untuk XGBoost, serta diformat menjadi jendela sekuensial yang telah diskalakan untuk LSTM. Kedua model dilatih pada rentang waktu pelatihan yang berurutan secara kronologis dan dievaluasi pada periode pengujian menggunakan Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil eksperimen menunjukkan bahwa LSTM memperoleh MAE (Rp7.800) dan RMSE (10.800) yang sedikit lebih rendah dibandingkan XGBoost, namun justru menghasilkan MAPE (%25.100) yang lebih tinggi. Visualisasi prediksi menunjukkan bahwa LSTM cenderung menghasilkan prediksi yang hampir konstan mendekati rata-rata penjualan, sedangkan XGBoost dengan MAE (Rp8.600), RMSE (Rp11.500) dan MAPE (%23,200) mampu mengikuti sebagian fluktuasi jangka pendek meskipun kedua model masih kesulitan menangkap lonjakan penjualan ekstrem.
Co-Authors Aulia Rahmawati Nurul Faiqah Rezty Amalia Aras