Implementasi Neural Network dengan Metode LSTM untuk Prediksi Penjualan Chintari Cake and Cookies

Suranti, Suranti (2025) Implementasi Neural Network dengan Metode LSTM untuk Prediksi Penjualan Chintari Cake and Cookies. Skripsi thesis, Program Studi Teknik Informatika.

	Text cover.pdf - Submitted Version Download (2MB)
	Text bab I.pdf - Submitted Version Download (1MB)
	Text bab II.pdf - Submitted Version Download (4MB)
	Text bab III.pdf - Submitted Version Download (1MB)
	Text bab IV.pdf - Submitted Version Restricted to Registered users only Download (3MB) | Request a copy
	Text bab V.pdf - Submitted Version Download (457kB)
	Text daftar pustaka.pdf - Submitted Version Download (714kB)
	Text lampiran.pdf - Submitted Version Restricted to Registered users only Download (14MB) | Request a copy

Abstract

Setiap transaksi penjualan menghasilkan data yang terus bertambah, dan dengan kemajuan teknologi informasi, pengolahan data menjadi lebih cepat serta efisien. Hal ini membuka peluang bagi pelaku usaha untuk memanfaatkan data historis sebagai dasar dalam pengambilan keputusan strategis, salah satunya dalam prediksi penjualan harian. Penelitian ini dilakukan pada usaha Chintari Cake and Cookies, yang mengalami fluktuasi penjualan harian cukup tinggi. Tujuan dari penelitian ini adalah untuk mengoptimalkan pemanfaatan data historis penjualan serta mengimplementasikan algoritma Long Short-Term Memory (LSTM) guna memprediksi jumlah penjualan harian secara lebih akurat. Metode yang digunakan adalah analisis time series menggunakan algoritma LSTM, yang merupakan bagian dari Recurrent Neural Networks dan dirancang untuk mengatasi masalah vanishing gradient pada data sekuensial panjang. LSTM memiliki tiga gerbang utama Input gate, Forget gate, dan Output gate yang memungkinkan pemrosesan informasi jangka panjang secara efektif. Hasil penelitian menunjukkan bahwa model LSTM dengan rasio pembagian data 70% pelatihan dan 30% pengujian memberikan performa terbaik, dengan nilai RMSE sebesar 6,75 dan MAPE sebesar 6,77%. Hal ini menandakan kemampuan generalisasi model yang baik terhadap data baru dan tingkat kesalahan prediksi yang rendah. Dengan demikian, model prediksi berbasis LSTM terbukti memberikan prediksi jumlah penjualan harian sehingga pemilik toko dapat menentukan jumlah kue yang harus diproduksi setiap hari.

Item Type:	Thesis (Skripsi)
Uncontrolled Keywords:	Prediksi Penjualan, Data Time Series, LSTM, machine learning, RMSE, MAPE: Sales Prediction, Time Series Data, LSTM, Machine Learning, RMSE, MAPE
Subjects:	000 Karya Umum > 000-009 Ilmu Umum dan Komputer > 006.3 Kecerdasan Buatan
Divisions:	Fakultas Teknik dan Komputer > Teknik Informatika
Depositing User:	Susila Novmbrita
Date Deposited:	08 Nov 2025 07:42
Last Modified:	08 Nov 2025 07:42
URI:	http://repository.upbatam.ac.id/id/eprint/6931

Actions (login required)

View Item

Downloads