PENERAPAN DATA MINING UNTUK PREDIKSI PENJUALAN PRODUK TERLARIS MENGGUNAKAN METODE ANN DAN LSTM

Hasanah, Ika Nur (2025) PENERAPAN DATA MINING UNTUK PREDIKSI PENJUALAN PRODUK TERLARIS MENGGUNAKAN METODE ANN DAN LSTM. Artikel Sistem Informasi Universitas Muhammadiyah Gorontalo. pp. 1-10.

[img] Text (JURNAL IKA NUR HASANAH)
JURNAL IKA NUR HASANAHL.pdf

Download (616kB)

Abstract

Toko Setia Keramik yang menjual berbagai jenis keramik sedang menghadapi tantangan dalam menentukan produk keramik terlaris akibat data penjualan yang belum diolah secara optimal. Penelitian ini bertujuan untuk menerapkan algoritma Artificial Neural Network (ANN) dan Long Short-Term Memory (LSTM) untuk memprediksi penjualan produk keramik terlaris serta mengukur tingkat akurasi prediksi masing-masing algoritma. Data yang digunakan mencakup penjualan lima jenis keramik selama tiga tahun (2021–2023). Hasil penelitian menunjukkan bahwa algoritma ANN memberikan prediksi terbaik untuk pola jangka pendek dengan tingkat kesalahan Mean Square Error (MSE) yang rendah, sementara algoritma LSTM unggul dalam memprediksi pola jangka panjang. Penerapan kedua algoritma ini mampu membantu Toko Setia Keramik dalam menentukan jenis keramik terlaris sehingga pengelola toko dapat mengelola stok barang secara lebih efisien dan meminimalisir kekurangan maupun kelebihan stok, serta mengantisipasi tren penjualan di masa depan. Dengan demikian, penelitian ini memberikan kontribusi penting dalam optimalisasi manajemen penjualan menggunakan metode prediksi berbasis data mining.

Item Type: Article
Uncontrolled Keywords: Prediksi, Penjualan Artifcial Neural Network, Long Short-Term Memory
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Q Science > QA Mathematics > QA76 Computer software
Divisions: Fakultas Sains dan Ilmu Komputer > Program Studi Sistem informasi
Depositing User: Ika Nur Hasanah
Date Deposited: 23 May 2025 05:43
Last Modified: 23 May 2025 05:43
URI: http://repository.umgo.ac.id/id/eprint/2910

Actions (login required)

View Item View Item