<![CDATA[Prediksi penjualan pada lingkungan retail penting untuk mendukung demand planning dan pengendalian persediaan. Data penjualan berbasis Point of Sale (POS) dapat dimanfaatkan sebagai dasar prediksi, namun umumnya memiliki karakteristik fluktuatif, mengandung banyak periode tanpa transaksi (intermittent demand), serta menunjukkan pola permintaan yang berbeda antar produk. Kondisi tersebut meningkatkan kompleksitas prediksi dan membatasi efektivitas metode statistik tradisional. Penelitian ini bertujuan menganalisis performa model Long Short-Term Memory (LSTM) dalam prediksi penjualan multi-produk berbasis data POS serta membandingkannya dengan ARIMA dan naive forecasting. Dataset penelitian terdiri atas 4.279 transaksi dari 25 produk dan 9 kategori selama periode Maret 2025 hingga Februari 2026. Setelah transformasi full grid dan imputasi nol, jumlah observasi meningkat menjadi 9.125 data dengan tingkat sparsity sebesar 53,11%. Hasil penelitian menunjukkan bahwa konfigurasi terbaik diperoleh pada rasio split 70:20:10 dengan parameter look-back = 7 dan units = 16, menghasilkan MAE sebesar 2,2690, RMSE sebesar 3,1621, dan MASE sebesar 0,8816. Secara keseluruhan, LSTM menghasilkan performa lebih baik dibandingkan ARIMA dan naive forecasting. Hasil prediksi juga dapat digunakan sebagai dasar analisis demand planning.]]>
Copyrights © 2026
