Perpustakaan Digital ITB

Peramalan permintaan bagi usaha mikro, kecil, dan menengah (UMKM) di marketplace sulit dilakukan karena permintaan sangat tidak teratur, banyak periode tanpa penjualan, serta munculnya produk baru tanpa riwayat penjualan (cold-start). Tugas akhir ini membangun dan mengevaluasi modul peramalan permintaan probabilistik yang terkalibrasi menggunakan arsitektur hibrida Temporal Fusion Transformer (TFT) dan Quantile XGBoost sebagai masukan bagi pengadaan UMKM. Data penjualan disusun menjadi panel mingguan berdasarkan pesanan berstatus selesai, mencakup 327 SKU dengan sekitar 18.577 baris SKU-minggu aktif dari total 127 minggu data penjualan (01/01/2024 s.d. 01/06/2026). Data tersebut memiliki tingkat periode kosong (sparsity) mingguan sekitar 44,5 persen (dibandingkan sekitar 80 persen pada granularitas harian). SKU dikategorikan menurut kepadatan penjualan mingguannya: tier padat T1+T2 (199 SKU, sparsity ?29,6 persen) ditangani TFT, sedangkan tier jarang T3+T4 (128 SKU, sparsity ?66 persen) dan produk baru ditangani Quantile XGBoost serta mekanisme category-prior. Hasil evaluasi pada data uji menunjukkan TFT mencapai WAPE 0,569 pada tier padat (T1+T2), lebih rendah daripada ARIMA (0,700) dan XGBoost (0,633), dengan cakupan empiris interval P10-P90 tepat pada nilai nominal 0,80 sehingga keluaran terkalibrasi dengan baik. Sebagai satu sistem pada seluruh tier, arsitektur hibrida yang mengalihkan tier renggang ke Quantile XGBoost mencapai WAPE 0,598, lebih baik daripada pure TFT untuk seluruh tier (0,606). Penanganan cold- start melalui category-prior mengungguli acuan prediksi nol dan rata-rata sederhana, dan analisis interpretabilitas memperlihatkan pendorong yang masuk akal secara bisnis, seperti diskon dan kalender belanja. Kontribusi utama penelitian ini adalah peramalan probabilistik yang terkalibrasi dan dapat diinterpretasikan, kompetitif terhadap pembanding terkuat, yang menjadi fondasi bagi keputusan pengadaan UMKM. Kata