| dc.description.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. | |
