Penelitian ini bertujuan membangun model prediksi jumlah penjualan mingguan serta membandingkan performa metode Autoregressive Integrated Moving Average (ARIMA) dan Long Short-Term Memory (LSTM) untuk memperoleh model dengan tingkat akurasi terbaik. Penelitian menggunakan metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM). Data yang digunakan merupakan data transaksi penjualan periode Januari 2024 hingga Desember 2025 sebanyak 10.000 transaksi yang diolah menjadi data penjualan mingguan selama 104 minggu untuk 10 produk elektronik. Proses pemodelan dilakukan menggunakan pembagian data training sebesar 80% dan testing sebesar 20%. Evaluasi model menggunakan metrik Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa metode ARIMA menghasilkan performa prediksi terbaik pada 8 dari 10 produk elektronik, sedangkan metode LSTM memberikan performa terbaik pada 2 produk, yaitu Kipas Angin Cosmos dan Soundbar Samsung. Model LSTM menghasilkan nilai kesalahan terendah pada produk Soundbar Samsung dengan MAE sebesar 3,38, RMSE sebesar 4,12, dan MAPE sebesar 20,84%. Sementara itu, performa terbaik metode ARIMA diperoleh pada produk AC Daikin 1 PK dengan MAE sebesar 4,47, RMSE sebesar 5,37, dan MAPE sebesar 22,97%. Secara keseluruhan, metode ARIMA dipilih sebagai model terbaik karena memberikan tingkat akurasi yang lebih baik pada sebagian besar produk elektronik. Hasil penelitian ini dapat digunakan sebagai dasar dalam mendukung pengambilan keputusan terkait perencanaan persediaan produk secara lebih efektif dan berbasis data.

S12599

INF 0121 2026

Bekasi

Tersedia