<![CDATA[Ketidakseimbangan antara ketersediaan stok dan fluktuasi permintaan sering menyebabkan overstock maupun stockout dalam manajemen persediaan ritel. Penelitian ini bertujuan untuk menerapkan metode Long Short-Term Memory (LSTM) dalam peramalan permintaan. Peramalan ini digunakan sebagai dasar penentuan Safety Stock (SS) dan Reorder Point (ROP) pada tiga kategori produk ritel: susu, sabun, dan frozen food. Data historis penjualan digunakan untuk menghasilkan prediksi permintaan tiga bulan ke depan. Hasil prediksi dievaluasi menggunakan Mean Absolute Percentage Error (MAPE), Mean Absolute Error (MAE), dan Root Mean Squared Error (RMSE). Hasil evaluasi menunjukkan bahwa model LSTM menghasilkan tingkat akurasi yang baik pada seluruh kategori produk. Pada kategori susu, rata-rata nilai MAPE sebesar 4,53%, dan pada sabun sebesar 5,23%. Kedua nilai ini tergolong sangat baik. Sementara itu, frozen food memiliki nilai MAPE sebesar 12,08%, yang termasuk kategori baik. Berdasarkan hasil peramalan tersebut, parameter pengendalian persediaan dihitung menggunakan pendekatan Safety Stock dan Reorder Point. Kategori susu menunjukkan nilai rata-rata SS dan ROP tertinggi. Hal ini mencerminkan volume permintaan yang lebih besar dibandingkan kategori lainnya. Di sisi lain, kategori frozen food memperlihatkan variasi ROP yang relatif lebih tinggi antar produk. Hasil penelitian ini menunjukkan bahwa integrasi metode LSTM dengan model pengendalian persediaan dapat mendukung perumusan kebijakan stok yang lebih terukur dan berbasis data dalam pengelolaan persediaan ritel. Penelitian ini memberikan kontribusi berupa integrasi metode deep learning dengan model pengendalian persediaan yang menghasilkan kebijakan stok yang lebih terukur dan aplikatif.]]>
