Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Journal of Data Science Theory and Application

PERBANDINGAN LSTM DAN PROPHET DALAM PREDIKSI TREN BAJU LEBARAN 2026 BERBASIS GOOGLE TRENDS Maharani, Masti Fatchiyah; Laqma Dica Fitrani; Yerezqy Bagus; Dina Zatusiva Haq
Journal of Data Science Theory and Application Vol. 5 No. 1 (2026): JASTA
Publisher : LP3M Universitas Putra Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32639/tgeq5784

Abstract

Tren busana Lebaran di Indonesia menunjukkan pola musiman yang kuat dan berulang setiap tahun, sehingga prediksi yang akurat menjadi penting bagi perencanaan produksi dan strategi bisnis industri fesyen. Penelitian ini bertujuan membandingkan kinerja metode Prophet dan Long Short-Term Memory (LSTM) dalam memprediksi tren busana Lebaran tahun 2026 menggunakan data Google Trends periode 2018–2025. Model dilatih menggunakan data hingga Desember 2024 dan dievaluasi pada periode pengujian tahun 2025 menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Hasil menunjukkan bahwa LSTM memiliki akurasi numerik yang lebih baik, sedangkan Prophet lebih konsisten dalam menangkap pola musiman tahunan. Temuan ini menunjukkan bahwa pemilihan metode prediksi perlu disesuaikan dengan tujuan analisis. Penelitian ini berkontribusi dalam mendukung pengambilan keputusan berbasis data pada industri fesyen serta selaras dengan Sustainable Development Goals (SDGs) 8 terkait pertumbuhan ekonomi yang inklusif dan berkelanjutan.