Prediksi Penjualan Untuk Optimasi Stock Produk Menggunakan Algoritma Long Short Term Memory

Abstract

Perusahaan distribusi menjadi pihak yang bertanggung jawab atas proses penyaluran barang dan menjadi perantara antara produsen dengan konsumen. Permasalahan utama yang sering dihadapi perusahaan distribusi adalah terkait dalam pengadaan stok barang yang dapat menyebabkan kelebihan atau kekurangan  stok. Penelitian terkait distribusi barang lebih fokus pada pendekatan sederhana atau pemodelan berbasis metode klasik, yang kurang efektif dalam meramalkan penjualan dengan tingkat akurasi yang tinggi. Oleh karena itu, pengembangan model prediksi berbasis algoritma deep learning, seperti Long Short-Term Memory (LSTM), yang dapat menangani dependensi jangka panjang dalam data time series, masih terbatas dalam konteks perusahaan distribusi, khususnya dalam meningkatkan efisiensi pengelolaan stok barang dan pengurangan kesalahan pengadaan stok.Tujuan penelitian ini untuk mengembangkan model prediksi penjualan menggunakan algoritma Long Short Term Memory (LSTM) guna meningkatkan efisiensi pengelolaan stok barang pada perusahaan distribusi XYZ. Dengan memanfaatkan data historis penjualan yang berbentuk time series, penelitian ini memprediksi penjualan di masa depan dan menghasilkan prediksi per produk dan per bulan. Evaluasi model menggunakan Mean Absolute Percentage Error (MAPE) menghasilkan tingkat kesalahan rata-rata sebesar 3,60%, hal ini menunjukkan bahwa model memiliki akurasi yang sangat akurat. Hasil prediksi ini diintegrasikan kedalam sistem pengadaan stok untuk mengoptimalkan rekomendasi pengadaan stok dalam proses pembelian barang. Penelitian ini menunjukkan bahwa penerapan  LSTM dalam prediksi penjualan dapat menjadi solusi efektif bagi perusahaan distribusi dalam pengelolaan stok dan efisiensi biaya operasional.