<![CDATA[Peramalan penjualan yang akurat merupakan kemampuan penting bagi bisnis modern karena menjadi dasar perencanaan persediaan, penjadwalan staf, dan proyeksi pendapatan. Penelitian ini membandingkan dua pendekatan peramalan yang banyak digunakan, yaitu jaringan Long Short-Term Memory (LSTM) dan Extreme Gradient Boosting (XGBoost), pada dataset penjualan ritel open-source. Data penjualan harian diagregasi dari data transaksi tingkat pesanan, kemudian direkayasa menjadi fitur kalender, fitur lag, dan fitur rolling-window untuk XGBoost, serta diformat menjadi jendela sekuensial yang telah diskalakan untuk LSTM. Kedua model dilatih pada rentang waktu pelatihan yang berurutan secara kronologis dan dievaluasi pada periode pengujian menggunakan Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil eksperimen menunjukkan bahwa LSTM memperoleh MAE (Rp7.800) dan RMSE (10.800) yang sedikit lebih rendah dibandingkan XGBoost, namun justru menghasilkan MAPE (%25.100) yang lebih tinggi. Visualisasi prediksi menunjukkan bahwa LSTM cenderung menghasilkan prediksi yang hampir konstan mendekati rata-rata penjualan, sedangkan XGBoost dengan MAE (Rp8.600), RMSE (Rp11.500) dan MAPE (%23,200) mampu mengikuti sebagian fluktuasi jangka pendek meskipun kedua model masih kesulitan menangkap lonjakan penjualan ekstrem.]]>
Copyrights © 2026
