Pemodelan Long Short Term Memory (LSTM) untuk Prakiraan Penjualan Berdasarkan Basis Data Penjualan Retail pada Kontrol Persediaan.

Abstract

Salah satu modal terpenting perusahaan adalah persediaan. Hal ini juga terdapat pada penjualan retail. Aktifitas pembelian konsumen yang semakin tinggi pada penjualan retail menyebabkan persediaan barang pada penjualan retail menjadi sangat dinamis. Efek liburan atau musiman berpengaruh pada tingkat penjualan. Penelitian ini membahas tiga macam penjualan retail yang berbeda dari segi jenis barang dan ritme penjualannya. Penjualan retail yang pertama adalah penjualan retail kendaraan bermotor yang termasuk ke dalam tipe penjualan yang jarang. Penjualan retail kedua merupakan penjualan consumer goods pada kantor pusat. Kantor pusat sering mengalami kekurangan persediaan untuk cabang cabangnya sehingga mempersulit penjualan kepada kantor cabang mereka. Penjualan retail ketiga adalah penjualan perlengkapan rumah pada sebuah kantor cabang. Pada kasus ini perubahan penjualan terjadi dengan cepat sehingga menyebabkan ketidakaturan pola penjualan. Perbedaan ritme penjualan membuat perusahaan penjualan retail sulit untuk memperkirakan persediaan yang tepat. Pengaturan persediaan secara tepat dapat mempertahankan tingkat persediaan dengan optimal sehingga harus berdasarkan pada prakiraan penjualan yang baik. Penelitian ini bertujuan untuk membuat pemodelan prakiraan penjualan pada tiga macam perusahaan retail tersebut untuk melakukan kontrol terhadap persediaan. Peramalan deret waktu biasanya memperkirakan tren dan pola musiman dan bertujuan untuk menganalisis pola permintaan masa lalu yang diproyeksian untuk pola permintaan masa depan. Teknik berbasis Machine Learning dan deep learning seperti Long-Term Memory (LSTM) yang merupakan jenis khusus dari recurrent neural networks digunakan pada penelitian ini. Digunakan tiga basis data dan tiga skenario berbeda sesuai dengan tipe penjualan retail yang akan dimodelkan. Terdapat 10 item barang/kategori per basis data, basis data dari kasus kedua dengan observasi 36 bulan untuk prakiraan 12 bulan ke depan dan dua basis data dari kasus pertama dan ketiga dengan observasi 45 minggu untuk perkiraan 15 minggu ke depan. Dalam penelitian ini, kesalahan prakiraan menggunakan Root Mean Square Error (RMSE). Hasil dari basis data dari kasus pertama basis data LSTMA1, kasus kedua basis data LSTMB1, dan kasus ketiga basis data LSTMC1 dengan rata-rata RSME terkecil masing-masing adalah 2.12, 1.05, 1.24. Pada basis data LSTMA1 satu per tiga data rata rata RMSE dibawah 2.5, basis data LSTMB1 setengah data mencapai rata rata RMSE dibawah 1.5, dan basis data LSTMC1 sepertiga data mencapai dibawah 1.5.