MODIFIKASI ADAM OPTIMIZER UNTUK MENGOPTIMASI ALGORITMA LSTM DALAM MEMPREDIKSI PENJUALAN PRODUK SEPATU PRODIGO

Abstract

Ketidakstabilan trend penjualan merupakan fenomena yang umum di berbagai sektor bisnis, termasuk UMKM, dan menjadi tantangan utama dalam menentukan jumlah produksi yang optimal. Fluktuasi permintaan yang sulit diprediksi dapat menyebabkan kelebihan atau kekurangan stok, sehingga berdampak pada efisiensi operasional dan profitabilitas perusahaan. Model Long Short-Term Memory (LSTM) banyak digunakan untuk menangkap pola temporal, namun kinerjanya dipengaruhi oleh optimizer dan ketersediaan data. Keterbatasan pada ADAM serta minimnya data pelatihan menjadi kendala, sehingga penelitian ini bertujuan meningkatkan akurasi prediksi melalui modifikasi ADAM dan penambahan data sintetis menggunakan Time-Series Generative Adversarial Networks (TimeGAN). Penelitian menggunakan 387 data penjualan mingguan yang dipraproses dengan normalisasi Min-Max dan metode sliding window. Data dibagi menjadi data latih dan uji, kemudian dilakukan augmentasi untuk menghasilkan data sintetis. Model LSTM dibangun menggunakan ADAM standar dan ADAM modifikasi yang mempertahankan arah gradien, dengan optimasi hyperparameter melalui grid search. Evaluasi dilakukan menggunakan Mean Absolute Error (MAE) dan Dynamic Time Warping (DTW). Hasil penelitian menunjukkan bahwa pada skenario tanpa data sintetis, model LSTM dengan ADAM modifikasi menghasilkan performa yang lebih baik dibandingkan ADAM standar, ditunjukkan oleh nilai MAE yang lebih rendah, yaitu 272 ± 6 dibandingkan 278 ± 10. Namun, kedua model masih memiliki keterbatasan dalam menangkap pola temporal data, yang ditunjukkan oleh nilai Dynamic Time Warping (DTW) sebesar 4. Sementara itu, pada skenario dengan penambahan data sintetis hasil TimeGAN, kemampuan model dalam mengenali pola temporal mengalami peningkatan. Pada skenario ini, LSTM dengan ADAM modifikasi memperoleh nilai MAE sebesar 270 ± 4, sedangkan ADAM standar menghasilkan nilai MAE sebesar 272 ± 13. Selain itu, nilai DTW sebesar 3.5 menunjukkan bahwa penggunaan data sintetis mampu meningkatkan kemampuan model dalam menangkap pola temporal dibandingkan model tanpa augmentasi data. Model juga berhasil diimplementasikan dalam bentuk web service, sehingga dapat digunakan secara operasional untuk mendukung pengambilan keputusan berbasis data.