Herlini Oktaria
INSTIDLA

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

Found 1 Documents
Search

PERBANDINGAN METODE DEEP LEARNING RECURRENT NEURAL NETWORKS , ARIMA DAN HOLT-WINTERS EXPONENTIAL SMOOTHING DALAM PREDIKSI POLA TRANSAKSI PELANGGAN Muhamad Brilliant; Iis Ariska Nurhasanah; Herlini Oktaria
Journal of Software Engineering and Technology. Vol 1, No 1 (2021): SEAT: Journal of Software Engineering And Technology
Publisher : Institut Teknologi dan Bisnis Diniyyah Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69769/seat.v1i1.18

Abstract

PT Andesit Lumbung Sejahtera yang bergerak di bidang pertambangan dan pengolahan batu andesit, berkomitmen untuk menyokong baik perusahaan milik Negara maupun swasta, dengan menyediakan material berkualitas dan siap pakai bagi kebutuhan pembangunan di Sumatera bagian Selatan, khususnya Lampung. Sebagai perusahaan penghasil batu andesit yang sudah dikenal dan memiliki banyak pelanggan, PT Andesit Lumbung Sejahtera harus selalu berupaya melakukan yang terbaik agar posisinya dapat eksis dalam rangka membantu pembangunan infrastruktur di Lampung. Perusahaan harus melakukan perencanaan di segala bidang, salah satunya adalah bidang penjualan dengan menyusun rencana penjualan. Peramalan penjualan bertujuan untuk memperkirakan penjualan di masa yang akan datang pada periode tertentu. Dalam rangka meramalkan jumlah pelanggan akan pada PT.Andesit Lumbung Sejahtera, akan dibandingkan dua metode peramalan, yaitu Recurrent Neural Networks, Autoregressive Integrated Moving Average (ARIMA) dan Holt-Winters Exponential Smoothing . Metode Winter’s Exponential Smoothing digunakan ketika data menunjukkan pola trend dan musiman. Dari tiga metode yang diuji berdasarkan nilai kesalahan terkecil MSE, metode Reccurent Neural Network merupakan metode peramalan terbaik karena metode tersebut menghasilkan nilai MSE terkecil dibandingkan dengan metode lainnya, yaitu sebesar 114. Nilai MSE dipilih nilai terkecil dikarenakan semakin kecil nilai MSE nilai ramalan (prediksi) semakin mendekati nilai aktualnya. Jika dilihat dari nilai MAPE metode peramalan Reccurent Neural Network memiliki nilai MAPE 0,289 yang berarti memiliki nilai bias sangat kecil.