| NIM | H1D022020 |
|---|
| Namamhs | NADHIFA ZAHRA KURNIAWAN |
|---|
| Judul Artikel | Analisis Perbandingan Metode Long Short Term Memory, Extreme Gradient Boosting, dan Seasonal Autoregressive Integrated Moving Average dalam Memprediksi Penjualan Produk UMKM Pakaian Muslim Ananda Kids |
|---|
| Abstrak (Bhs. Indonesia) | Ketidaktepatan prediksi penjualan pada industri pakaian berdampak pada risiko manajemen persediaan UMKM, termasuk UMKM Ananda Kids yang menghadapi fluktuasi tren dan pola musiman. Penelitian ini bertujuan membandingkan metode Long Short-Term Memory (LSTM), Extreme Gradient Boosting (XGBoost), dan Sea-sonal Auto-Regressive Integrated Moving Average (SARIMA) dalam memprediksi penjualan dengan interval dwimingguan. Tingkat akurasi dari ketiga model tersebut dievaluasi menggunakan metrik Symmetric Mean Absolute Percentage Error (SMAPE). Data historis periode 2 Januari 2023 hingga 5 Desember 2025 diproses melalui rekayasa fitur kalender Hijriah, optimasi Optuna, dan pendekatan Strategy Map yang menyesuaikan arsitektur model dengan tingkat volatilitas setiap kategori produk. Hasil penelitian menunjukkan XGBoost memiliki kinerja rata-rata global terbaik dengan SMAPE 17,63%, diikuti oleh LSTM dengan SMAPE 24,23% dan SARIMA dengan SMAPE 36,43%. Evaluasi per kategori membuktikan bahwa pendekatan heterogen tetap diperlukan. XGBoost menunjukkan performa terbaik pada produk musiman, SARIMA paling akurat untuk tren stabil dengan nilai SMAPE 16,35%, dan LSTM unggul pada data berfluktuasi tinggi dengan SMAPE 29,45%. Model-model ini kemudian diintegrasikan ke dalam sistem antarmuka interaktif berbasis Streamlit untuk mempermudah UMKM merencanakan persediaan barang secara otomatis dan berbasis data. |
|---|
| Abtrak (Bhs. Inggris) | Inaccurate sales predictions in the clothing industry impact the risk of MSME invento-ry management, including UMKM Ananda Kids, which faces trend fluctuations and seasonal patterns. This study aims to compare the Long Short-Term Memory (LSTM), Extreme Gradient Boosting (XGBoost), and Seasonal Auto-Regressive Integrated Moving Average (SARIMA) methods in predicting sales with bi-weekly intervals. The accuracy of these three models was evaluated using the Symmetric Mean Absolute Percentage Error (SMAPE) metric. Historical data from January 2023 to Desember 2025 were processed through Hijri calendar feature engineering, Optuna optimization, and a Strategy Map approach that adapts the model architecture to the volatility level of each product category. The results showed that XGBoost achieved the best global average performance with a SMAPE of 17.63%, followed by LSTM with a SMAPE of 24.23%, and SARIMA with a SMAPE of 36.43%. Evaluation per category proved that a heterogeneous approach remains necessary. XGBoost showed the best performance on seasonal products, SARIMA was the most accurate for stable trends with a SMAPE of 16.35%, and LSTM excelled on highly noisy data with a SMAPE of 29.45%. These models were then integrated into an interactive Streamlit-based interface system to make it easier for MSMEs to plan their inventory automatically based on data. |
|---|
| Kata kunci | LSTM, Prediksi Penjualan, SARIMA, SMAPE, Streamlit, UMKM, XGBoost |
|---|
| Pembimbing 1 | Ir. Swahesti Puspita Rahayu, S.Kom., M.T. |
|---|
| Pembimbing 2 | Muhammad Ihsan Fawzi, S.Kom., M.Kom. |
|---|
| Pembimbing 3 | |
|---|
| Tahun | 2026 |
|---|
| Jumlah Halaman | 18 |
|---|
| Tgl. Entri | 2026-04-27 14:08:03.649371 |
|---|