Implementasi Metode Long Short-Term Memory dalam Prediksi Penyediaan Stok Penjualan Bumbu Rempah (Studi Kasus: Toko Bumbu Uni Yeni)
Peningkatan volume data dalam setiap transaksi bisnis menuntut penerapan teknologi informasi yang efisien untuk mengelola persediaan dan meramalkan kebutuhan konsumen. Toko Bumbu Uni Yeni, sebagai penjual bumbu rempah, menghadapi tantangan fluktuasi stok yang tidak terduga, mengakibatkan pemborosan sumber daya dan kehilangan penjualan. Penelitian ini bertujuan menerapkan metode Long Short-Term Memory (LSTM), bagian dari deep learning, untuk memprediksi penyediaan stok bumbu rempah. Studi literatur menunjukkan keberhasilan metode LSTM dalam prediksi berbagai data, termasuk penjualan produk dan harga komoditas. Dalam konteks Toko Bumbu Uni Yeni, LSTM diharapkan dapat memberikan prediksi stok yang akurat untuk mengoptimalkan pengelolaan persediaan. Metode penelitian melibatkan penerapan LSTM pada data penyediaan stok bumbu rempah toko dengan evaluasi menggunakan parameter seperti Root Mean Squared Error (RMSE) dan Mean Absolute Error (MAE). Hasil penelitian menunjukkan bahwa model LSTM mampu memberikan prediksi yang relevan, dengan tingkat kesalahan yang masih dalam batas penerimaan. Kesimpulan penelitian ini menegaskan bahwa model LSTM dapat digunakan secara efektif untuk meramalkan stok bumbu rempah, mengoptimalkan operasional bisnis, dan meningkatkan layanan kepada pelanggan. Evaluasi kinerja model menunjukkan tingkat akurasi yang baik, khususnya pada konfigurasi optimizer Adam dengan 2 layer, memberikan nilai RMSE sebesar 12.52 dan MAE 4.7959. Implikasi praktis penelitian ini adalah memberikan kontribusi pada pengembangan metode prediksi stok dalam konteks usaha kecil menengah seperti Toko Bumbu Uni Yeni.
URI
https://repo.itera.ac.id/depan/submission/SB2401170100
Keyword
Long Short-Term Memory Bumbu Rempah RMSE MAE