Penerapan Long Short-Term Memory (LSTM) untuk Peramalan Penjualan Produk Rokok pada Sektor Ritel
Journal Artificial: Informatika dan Sistem Informasi · 31.10.2026 · 4 (2) · 394-411
DOI: 10.54065/artificial.2016 ↗Kurz gefasst
Fachartikel in der Zeitschrift Journal Artificial: Informatika dan Sistem Informasi, online erschienen am 31.10.2026. Verfasst von Oktavia Hasanah und 2 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
Perencanaan persediaan pada sektor ritel memerlukan estimasi penjualan yang mampu menggambarkan pola permintaan pada periode mendatang. Perbedaan karakteristik penjualan antarproduk menyebabkan kebutuhan peramalan perlu disesuaikan dengan pola historis masing-masing produk. Penelitian ini bertujuan menerapkan metode Long Short-Term Memory (LSTM) untuk meramalkan penjualan produk rokok dan menghasilkan informasi yang dapat mendukung perencanaan persediaan. Data yang digunakan berupa penjualan bulanan lima produk, yaitu Djarum Coklat, Dji Sam Soe, Marlboro, Surya, dan Vigor pada periode Januari 2018–Desember 2025. Data diolah melalui tahapan seleksi, pembersihan, pengurutan berdasarkan waktu, normalisasi, dan pembentukan data time series sebelum diterapkan pada model LSTM. Konfigurasi model dipilih berdasarkan nilai validation Mean Absolute Percentage Error (MAPE) terendah, sedangkan kinerja model dievaluasi menggunakan MAE, RMSE, dan MAPE. Hasil peramalan tahun 2026 menunjukkan nilai MAPE masing-masing sebesar 23,72% untuk Djarum Coklat, 34,54% untuk Dji Sam Soe, 22,11% untuk Marlboro, 40,29% untuk Surya, dan 24,47% untuk Vigor. Hasil tersebut menunjukkan bahwa LSTM mampu menghasilkan estimasi penjualan dengan tingkat kesalahan yang berbeda pada setiap produk. Peramalan yang dihasilkan dapat digunakan sebagai informasi pendukung dalam menentukan kebutuhan persediaan, meskipun keputusan persediaan tetap perlu mempertimbangkan faktor operasional lainnya.
Zitieren
APA
Hasanah, O., Hidayat, A. T., & Satriansyah, S. (2026). Penerapan Long Short-Term Memory (LSTM) untuk Peramalan Penjualan Produk Rokok pada Sektor Ritel. Journal Artificial: Informatika dan Sistem Informasi, 4(2), 394-411. https://doi.org/10.54065/artificial.2016
Vancouver
Hasanah O, Hidayat AT, Satriansyah S. Penerapan Long Short-Term Memory (LSTM) untuk Peramalan Penjualan Produk Rokok pada Sektor Ritel. Journal Artificial: Informatika dan Sistem Informasi. 2026;4(2):394-411. doi:10.54065/artificial.2016
BibTeX
@article{Hasanah2026,
author = {Hasanah, Oktavia and Hidayat, Asep Toyib and Satriansyah, Satriansyah},
title = {Penerapan Long Short-Term Memory (LSTM) untuk Peramalan Penjualan Produk Rokok pada Sektor Ritel},
journal = {Journal Artificial: Informatika dan Sistem Informasi},
year = {2026},
volume = {4},
number = {2},
pages = {394--411},
doi = {10.54065/artificial.2016}
}
EUVIMED