##plugins.themes.academic_pro.article.main##
Prediksi Omset Penjualan Toko Mbak Ning Pasar Cinderamata Menggunakan Long Short Term Memory
Abstract
Usaha Mikro, Kecil, dan Menengah (UMKM) memainkan peran penting dalam perekonomian Indonesia, namun sering menghadapi tantangan dalam mengelola penjualan. Penelitian ini berfokus pada Toko Mbak Ning di Pasar Cinderamata, yang menjual kebutuhan sandang. Tujuan penelitian ini adalah mengembangkan model prediksi omset penjualan yang akurat menggunakan metode Long Short Term Memory (LSTM) dengan hyperparameter tuning. Data yang digunakan berjumlah 89 baris, dari Januari 2017 hingga Mei 2024. Metode penelitian meliputi business understanding, pengumpulan data, exploratory data analysis, persiapan data, implementasi model LSTM, dan evaluasi kinerja model menggunakan RMSE dan MAPE. Model menghasilkan akurasi prediksi dengan RMSE 0.1484 dan MAPE 24.8%. Prediksi untuk 7 bulan ke depan menunjukkan tren penjualan yang sedikit menurun.
##plugins.themes.academic_pro.article.details##

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
References
D. A. S. Bhegawati, P. K. Ribek, and Y. Verawati, “Pembangunan Ekonomi Di Indonesia Melalui Peran Kewirausahaan,” Jurnal Ilmu Sosial, vol. 1, pp. 21-26, 2022, Available: https://bajangjournal.com/index.php/JISOS/article/view/1423
A. T. Novitasari, “Kontribusi UMKM Terhadap Pertumbuhan Ekonomi Eradigitalisasi Melalui Peran Pemerintah,” Journal of Applied Business and Economic, vol. 9, no. 2, pp. 184–204, Dec. 2022, doi: 10.30998/jabe.v9i2.13703
U. Khaira et al., “Prediksi Kemunculan Titik Panas Di Lahan Gambut Provinsi Riau Menggunakan Long Short Term Memory,” vol. 5, no. 3, pp. 77-82, 2020, doi: 10.30591/jpit.v5i3.1931
A. Azzouni and G. Pujolle, “NeuTM: A Neural Network-based Framework for Traffic Matrix Prediction in SDN,” Oct. 2017, [Online]. Available: http://arxiv.org/abs/1710.06799
M. I. Anshory, Y. Priyandari, and Y. Yuniaristanto, “Peramalan Penjualan Sediaan Farmasi Menggunakan Long Short-term Memory: Studi Kasus pada Apotik Suganda,” Performa: Media Ilmiah Teknik Industri, vol. 19, no. 2, pp. 159-174, Oct. 2020, doi: 10.20961/performa.19.2.45962.
R. Bagaskara Radite Putra, “Multivariate Time Series Forecasting pada Penjualan Barang Retail dengan Recurrent Neural Network,” Jurnal Inovtek Polbeng, vol. 7, no. 1, p. 2022, doi: 10.35314/isi.v7i1.2398
L. Wiranda and M. Sadikin, “Penerapan Long Short Term Memory Pada Data Time Series Untuk Memprediksi Penjualan Produk Pt. Metiska Farma,” Jurnal Nasional Pendidikan Teknik Informatika, vol. 8, no. 3, pp. 184–196, 2020, doi: 10.23887/janapati.v8i3.19139.
R. M. S. Adi and S. Sudianto, “Prediksi Harga Komoditas Pangan Menggunakan Algoritma Long Short-Term Memory (LSTM),” Building of Informatics, Technology and Science (BITS), vol. 4, no. 2, pp. 1137−1145, Sep. 2022, doi: 10.47065/bits.v4i2.2229.
A. Khumaidi, D. M. R. Tari, and N. L. Chusna, “Konfigurasi Hyperparameter Long Short Term Memory untuk Optimalisasi Prediksi Penjualan,” Faktor Exacta, vol. 15, no. 4, p. 290, Jan. 2023, doi: 10.30998/faktorexacta.v15i4.15286.
Moch Farryz Rizkilloh and Sri Widiyanesti, “Prediksi Harga Cryptocurrency Menggunakan Algoritma Long Short Term Memory (LSTM),” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 6, no. 1, pp. 25–31, Feb. 2022, doi: 10.29207/resti.v6i1.3630.
F. Lafnidita, M. Husni, and Indrianto, “Analisa Peramalan Penjualan Alat Kesehatan dan Laboratorium di PT. Tristania Global Indonesia Menggunakan Metode ARIMA,” Jurnal Informatika Merdeka Pasuruan, vol. 7, no. 1, 2022, doi: http://dx.doi.org/10.37438/jimp.v7i1.428.