Perpustakaan Digital ITB

Di Indonesia, kompetisi antar penjual e-commerce semakin intens. Salah satu cara untuk penjual dapat bertahan adalah dengan mengatur inventori produk melalui demand prediction. Beberapa penelitian telah dilakukan terkait dengan melakukan prediksi terhadap penjualan produk yang mengimplementasikan teknik preprocessing. Namun, belum ada yang menyatakan pengaruh dari preprocessing yang berbeda terhadap kinerja dari model dan hasil prediksi, seperti yang dilakukan oleh S.M. Taslim di industri baja. Pada penelitian ini, dilakukan perbandingan teknik preprocessing pada metode stacked generalization, yang telah dikembangkan oleh Irem Islek dan Sule Gunduz (2017), dan stand-alone untuk prediksi demand e-commerce dengan mengujikan algoritma XGBoost dan MLP. Beberapa masalah telah ditemukan pada penelitian ini, yang termasuk dari segi akuisisi data, karakteristik data, dan algoritma yang digunakan. Dari seluruh masalah tersebut, beberapa solusi diujikan sebagai skenario eksperimen agar mendapatkan hasil yang terbaik pada prediksi. Solusi tersebut mencakup variasi dari hyperparameter tuning, teknik transformasi data, dan batasan terhadap interaksi fitur. Berdasarkan eksperimen yang telah dilakukan, didapatkan bahwa transformasi data ke distribusi normal atau standarisasi data dapat meningkatkan kinerja dari metode stacked generalization saat menggunakan MLP pada level 1. Waktu pembelajaran dari metode tersebut juga dapat dipercepat dengan adanya transformasi data secara signifikan dari distribusi tidak normal menjadi distribusi normal. Dengan implementasi batasan terhadap interaksi fitur, waktu pembelajaran metode stand-alone dan stacked generalization dapat dipercepat dengan hasil prediksi yang sama baik atau lebih baik daripada saat tidak ada batasan terhadap interaksi fitur. Dengan menggunakan hyperparameter tuning dan implementasi penskalaan data, model stacked generalization, khususnya dengan XGBoost pada level 1, akan memberikan evaluasi yang lebih baik dibandingkan model stand-alone MLP. Metode stacked generalization dapat memperbaiki eror yang dihasilkan dari parameter yang tidak sesuai dari stand-alone XGBoost, dengan kondisi bahwa data tidak memiliki skewness yang sangat tinggi.