<![CDATA[Bale Raos Kraton Yogyakarta menghadapi tantangan dalam manajemen persediaan bahan baku akibat fluktuasi permintaan. Penelitian ini mengembangkan model Long Short-Term Memory (LSTM) untuk memprediksi kebutuhan 36 bahan baku berbasis data historis penjualan dan kalender musiman (Januari 2023–Februari 2025). Tahap preprocessing mencakup interpolasi temporal, pembentukan fitur lagging (1-hari dan 7-hari), one-hot encoding, dan normalisasi MinMax. Arsitektur LSTM berlapis (256/128 unit) dibangun, kemudian dievaluasi dengan pembagian data: pelatihan (Januari 2023–Oktober 2024), validasi (November–Desember 2024), dan pengujian (Januari–Februari 2025). Hasil menunjukkan kinerja optimal dengan MSE 0.0108 dan MAE 0.0735. Simulasi prediksi 31 hari (29 Januari–28 Februari 2025) mencapai Overall Aggregated Accuracy (Makro) 90,27%, membuktikan efektivitas model dalam meminimalkan risiko overstock dan stockout secara operasional.]]>
