<![CDATA[Fluktuasi volume penjualan buah akibat kondisi ekonomi dan perilaku konsumen menjadi tantangan dalam perencanaan stok. Penelitian ini membandingkan kinerja algoritma Long Short-Term Memory (LSTM) dan Random Forest dalam memprediksi penjualan buah mingguan. Data penjualan harian delapan jenis buah pada periode Januari 2024 hingga Maret 2025 diolah menjadi data mingguan melalui tahapan eksplorasi data, data preprocessing, transformasi deret waktu (time series), one-hot encoding, pembuatan fitur lag dan moving average, serta pembagian data menggunakan metode time series split. Model dilatih menggunakan 80% data, dengan Random Forest memanfaatkan fitur numerik hasil transformasi, sedangkan LSTM memanfaatkan urutan tiga langkah waktu. Evaluasi menggunakan metrik R² dan Root Mean Squared Error (RMSE) menunjukkan bahwa Random Forest memiliki kinerja yang lebih baik (R² = 0,9191; RMSE = 2,18) dibandingkan LSTM (R² = 0,8793; RMSE = 2,66), sehingga lebih efektif dalam memodelkan pola penjualan buah mingguan.]]>
Copyrights © 2026
