Perpustakaan Digital ITB

Tugas Akhir ini bertujuan untuk mengevaluasi dan menentukan algoritma forecasting yang paling optimal dalam memprediksi penjualan harian. Dalam hal ini, peramalan penjualan yang akurat merupakan kunci dalam mendukung manajemen inventori yang efisien guna menghindari kelebihan maupun kekurangan stok serta menekan biaya penyimpanan. Tiga algoritma pembelajaran mesin dan statistik yang dibandingkan dalam studi ini adalah Long Short-Term Memory, Seasonal AutoRegressive Integrated Moving Average, dan Extreme Gradient Boosting. Ketiganya dimodelkan dengan menggunakan data historis penjualan harian yang diperkaya dengan beragam fitur tambahan seperti promosi, kategori produk, dan variabel eksternal lainnya. Evaluasi kinerja dilakukan dengan menggunakan metrik mean absolute error, mean ebsolute percentage error, dan symmetric MAPE. Hasil evaluasi menunjukkan bahwa model LSTM memberikan kinerja terbaik dengan nilai kesalahan prediksi yang paling rendah dibandingkan dua algoritma lainnya. Temuan ini mengindikasikan bahwa LSTM lebih unggul dalam menangkap pola temporal dan dinamika data penjualan harian.